Edisi visi-bahasa 8B Instruct
Qwen3-VL-8B-Instruct adalah edisi dense 8B Qwen3-VL yang berfokus pada instruksi. Model ini menggabungkan teks dengan gambar atau video dan menghasilkan teks, termasuk kode. Model ini tetap terpisah dari edisi Thinking yang diperkuat penalaran dan dari model expert sparse dalam keluarga yang sama. Pilih model ini untuk instruksi visual terarah, pertanyaan dokumen, atau artefak yang dapat diedit yang hasilnya dapat dibandingkan dengan bukti yang diberikan.
Agen visual dan pemrograman visual
Pembuatnya menjelaskan pengenalan elemen antarmuka komputer atau seluler, pemahaman fungsinya, dan penggunaan alat dalam alur kerja agen visual. Berikan tangkapan layar dan tujuan konkret, lalu tanyakan kontrol yang terlihat mana yang sesuai dengan tujuan tersebut dan bukti apa yang mendukung pilihan itu. Perangkat lunak terhubung menjalankan tindakan; pengenalan antarmuka tidak secara mandiri memberikan kendali atas perangkat kepada model.
Pemrograman visual mencakup pembuatan konten diagram dan HTML, CSS, atau JavaScript dari gambar atau video. Berikan referensi tata letak bersama persyaratan fungsional dan keluaran yang dapat diedit yang diperlukan. Minta struktur sumber dan gaya secara terpisah ketika itu mempermudah tinjauan. Kode yang dihasilkan merupakan artefak teks; kode tersebut tetap memerlukan alur kerja pengembangan untuk merender dan menilai perilakunya.
Persepsi spasial dan materi panjang
Qwen mendokumentasikan penalaran tentang posisi objek, sudut pandang, dan oklusi, dengan grounding dua dimensi dan dukungan grounding tiga dimensi. Sebutkan objek sasaran dan nyatakan hubungan yang diperiksa. Hasil tentang posisi relatif merupakan inferensi dari gambar, bukan pengukuran fisik terkalibrasi.
Konteks native-nya adalah 262,144 token. Keluarga ini menjelaskan buku dan video berdurasi berjam-jam, dengan pengindeksan kejadian hingga tingkat detik dan perluasan menjadi sekitar satu juta token melalui konfigurasi. Representasi, pengambilan sampel bingkai, dan batas urutan yang dikonfigurasi menentukan materi mana yang diproses. Konteks besar tidak menjamin ingatan lengkap atas setiap halaman atau bingkai. Pertahankan waktu ketika meminta uraian kejadian video.
Penalaran multimodal, pengenalan, dan OCR
Keluarga ini mendukung pertanyaan STEM dan matematika, analisis sebab-akibat, serta penjelasan visual berbasis bukti. Berikan pernyataan lengkap bersama diagram dan minta nilai serta hubungan yang digunakan sebelum kesimpulan. Pengenalan mencakup beragam orang, produk, landmark, tumbuhan, hewan, dan karakter media; label yang masuk akal harus diperiksa ketika identifikasi penting.
OCR mencakup 32 bahasa dan dirancang untuk meningkatkan pembacaan dalam pencahayaan rendah, kondisi buram, atau miring, termasuk kosakata khusus dan struktur dokumen panjang. Berikan halaman yang terbaca dan minta kolom bernama, kutipan, atau tabel terstruktur yang dapat diperiksa terhadapnya. Pemahaman teks dan visual digabungkan, sehingga pertanyaan dapat menghubungkan paragraf dengan gambar ilustrasi dan instruksi pengguna.
Pembaruan arsitektur
Konfigurasi teks dense yang dipublikasikan memiliki 36 lapisan. Interleaved-MRoPE merepresentasikan waktu, lebar, dan tinggi untuk penalaran video. DeepStack menggabungkan fitur dari beberapa tingkat encoder visual, dan penyelarasan teks–stempel waktu mengaitkan kejadian dengan referensi temporal. Fitur arsitektur ini menjelaskan representasi model; fitur tersebut tidak menetapkan waktu respons tetap atau akurasi fisik yang persis.
Menyiapkan masukan
Contoh keluarga dari pembuatnya mencakup permintaan hanya teks, satu atau beberapa gambar, dan video. Beri label masukan visual dan nyatakan hubungannya. Anggaran piksel gambar dan video terpisah: anggaran gambar menyangkut satu gambar, sedangkan anggaran video menyangkut piksel di seluruh bingkai yang disampel. Dimensi gambar eksplisit diselaraskan ke kelipatan 32. Pengaturan bawaan video yang didokumentasikan adalah dua bingkai per detik, dengan kontrol laju atau jumlah bingkai dalam alur kerja yang didukung.
Alur kerja pembantu mempertahankan metadata video dan menyarankan menghindari pengubahan ukuran ganda ketika media sudah diubah ukurannya. Untuk tugas dokumen, pertahankan pengenal halaman; untuk klip, minta kejadian, interval yang relevan, dan bukti yang terlihat. Contoh persiapan ini menerapkan kemampuan yang didokumentasikan, bukan menjamin ekstraksi yang persis atau presisi temporal.
Panduan pembuatan keluaran dan batasan
Kartu yang spesifik ini memberikan preset tugas terpisah. Tugas visi-bahasa menggunakan temperature 0.7, top_p 0.8, top_k 20, repetition penalty 1.0, dan presence penalty 1.5, dengan alokasi keluaran 16,384 token. Tugas teks menggunakan temperature 1.0, top_p 1.0, top_k 40, repetition penalty 1.0, dan presence penalty 2.0, dengan alokasi 32,768 token. Ini merupakan anggaran resep produsen, bukan batas atas keluaran tegas yang ditetapkan secara independen atau identitas model yang terpisah.
Prosedur konteks panjang keluarga ini menggunakan YaRN, dengan faktor dua atau tiga disarankan ketika memperluas posisi interleaved-nya dari 256K ke sekitar 1M. Jangan menyalin faktor empat dari keluarga Qwen lain. Sisakan ruang untuk jawaban bersama masukan visual dan teks, serta verifikasi OCR, kesimpulan hasil perhitungan, dan sumber yang dihasilkan terhadap materi asli. Pertahankan edisi Instruct yang tepat, alih-alih mengimpor kontrak pembuatan keluaran atau kontrol checkpoint Thinking.
", "aboutText": "Edisi visi-bahasa 8B Instruct\n\nQwen3-VL-8B-Instruct adalah edisi dense 8B Qwen3-VL yang berfokus pada instruksi. Model ini menggabungkan teks dengan gambar atau video dan menghasilkan teks, termasuk kode. Model ini tetap terpisah dari edisi Thinking yang diperkuat penalaran dan dari model expert sparse dalam keluarga yang sama. Pilih model ini untuk instruksi visual terarah, pertanyaan dokumen, atau artefak yang dapat diedit yang hasilnya dapat dibandingkan dengan bukti yang diberikan.\n\nAgen visual dan pemrograman visual\n\nPembuatnya menjelaskan pengenalan elemen antarmuka komputer atau seluler, pemahaman fungsinya, dan penggunaan alat dalam alur kerja agen visual. Berikan tangkapan layar dan tujuan konkret, lalu tanyakan kontrol yang terlihat mana yang sesuai dengan tujuan tersebut dan bukti apa yang mendukung pilihan itu. Perangkat lunak terhubung menjalankan tindakan; pengenalan antarmuka tidak secara mandiri memberikan kendali atas perangkat kepada model.\n\nPemrograman visual mencakup pembuatan konten diagram dan HTML, CSS, atau JavaScript dari gambar atau video. Berikan referensi tata letak bersama persyaratan fungsional dan keluaran yang dapat diedit yang diperlukan. Minta struktur sumber dan gaya secara terpisah ketika itu mempermudah tinjauan. Kode yang dihasilkan merupakan artefak teks; kode tersebut tetap memerlukan alur kerja pengembangan untuk merender dan menilai perilakunya.\n\nPersepsi spasial dan materi panjang\n\nQwen mendokumentasikan penalaran tentang posisi objek, sudut pandang, dan oklusi, dengan grounding dua dimensi dan dukungan grounding tiga dimensi. Sebutkan objek sasaran dan nyatakan hubungan yang diperiksa. Hasil tentang posisi relatif merupakan inferensi dari gambar, bukan pengukuran fisik terkalibrasi.\n\nKonteks native-nya adalah 262,144 token. Keluarga ini menjelaskan buku dan video berdurasi berjam-jam, dengan pengindeksan kejadian hingga tingkat detik dan perluasan menjadi sekitar satu juta token melalui konfigurasi. Representasi, pengambilan sampel bingkai, dan batas urutan yang dikonfigurasi menentukan materi mana yang diproses. Konteks besar tidak menjamin ingatan lengkap atas setiap halaman atau bingkai. Pertahankan waktu ketika meminta uraian kejadian video.\n\nPenalaran multimodal, pengenalan, dan OCR\n\nKeluarga ini mendukung pertanyaan STEM dan matematika, analisis sebab-akibat, serta penjelasan visual berbasis bukti. Berikan pernyataan lengkap bersama diagram dan minta nilai serta hubungan yang digunakan sebelum kesimpulan. Pengenalan mencakup beragam orang, produk, landmark, tumbuhan, hewan, dan karakter media; label yang masuk akal harus diperiksa ketika identifikasi penting.\n\nOCR mencakup 32 bahasa dan dirancang untuk meningkatkan pembacaan dalam pencahayaan rendah, kondisi buram, atau miring, termasuk kosakata khusus dan struktur dokumen panjang. Berikan halaman yang terbaca dan minta kolom bernama, kutipan, atau tabel terstruktur yang dapat diperiksa terhadapnya. Pemahaman teks dan visual digabungkan, sehingga pertanyaan dapat menghubungkan paragraf dengan gambar ilustrasi dan instruksi pengguna.\n\nPembaruan arsitektur\n\nKonfigurasi teks dense yang dipublikasikan memiliki 36 lapisan. Interleaved-MRoPE merepresentasikan waktu, lebar, dan tinggi untuk penalaran video. DeepStack menggabungkan fitur dari beberapa tingkat encoder visual, dan penyelarasan teks–stempel waktu mengaitkan kejadian dengan referensi temporal. Fitur arsitektur ini menjelaskan representasi model; fitur tersebut tidak menetapkan waktu respons tetap atau akurasi fisik yang persis.\n\nMenyiapkan masukan\n\nContoh keluarga dari pembuatnya mencakup permintaan hanya teks, satu atau beberapa gambar, dan video. Beri label masukan visual dan nyatakan hubungannya. Anggaran piksel gambar dan video terpisah: anggaran gambar menyangkut satu gambar, sedangkan anggaran video menyangkut piksel di seluruh bingkai yang disampel. Dimensi gambar eksplisit diselaraskan ke kelipatan 32. Pengaturan bawaan video yang didokumentasikan adalah dua bingkai per detik, dengan kontrol laju atau jumlah bingkai dalam alur kerja yang didukung.\n\nAlur kerja pembantu mempertahankan metadata video dan menyarankan menghindari pengubahan ukuran ganda ketika media sudah diubah ukurannya. Untuk tugas dokumen, pertahankan pengenal halaman; untuk klip, minta kejadian, interval yang relevan, dan bukti yang terlihat. Contoh persiapan ini menerapkan kemampuan yang didokumentasikan, bukan menjamin ekstraksi yang persis atau presisi temporal.\n\nPanduan pembuatan keluaran dan batasan\n\nKartu yang spesifik ini memberikan preset tugas terpisah. Tugas visi-bahasa menggunakan temperature 0.7, top_p 0.8, top_k 20, repetition penalty 1.0, dan presence penalty 1.5, dengan alokasi keluaran 16,384 token. Tugas teks menggunakan temperature 1.0, top_p 1.0, top_k 40, repetition penalty 1.0, dan presence penalty 2.0, dengan alokasi 32,768 token. Ini merupakan anggaran resep produsen, bukan batas atas keluaran tegas yang ditetapkan secara independen atau identitas model yang terpisah.\n\nProsedur konteks panjang keluarga ini menggunakan YaRN, dengan faktor dua atau tiga disarankan ketika memperluas posisi interleaved-nya dari 256K ke sekitar 1M. Jangan menyalin faktor empat dari keluarga Qwen lain. Sisakan ruang untuk jawaban bersama masukan visual dan teks, serta verifikasi OCR, kesimpulan hasil perhitungan, dan sumber yang dihasilkan terhadap materi asli. Pertahankan edisi Instruct yang tepat, alih-alih mengimpor kontrak pembuatan keluaran atau kontrol checkpoint Thinking.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Read a text diagram relationship\n\nUse this text rendering of diagram D4: source A feeds filter B; B feeds tanks C and D; only D connects to drain E. List the directed path from A to E and name the tank on that path. Do not add physical dimensions or connections absent from the rendering.A labeled directed path and the tank identifier supported by D4.The path must follow the stated arrows and must not add a C-to-E connection.qwen/qwen3-vl-8b-instructQwen3-VL-8B-Instruct adalah model visi-bahasa dense Qwen yang berfokus pada instruksi untuk teks, gambar, dan video, dengan keluaran teks atau kode. Model ini mendukung pembacaan dokumen, pemrograman visual, pertanyaan spasial, dan analisis video, dengan OCR 32 bahasa serta konteks native 262,144 token.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Edisi visi-bahasa 8B Instruct
Qwen3-VL-8B-Instruct adalah edisi dense 8B Qwen3-VL yang berfokus pada instruksi. Model ini menggabungkan teks dengan gambar atau video dan menghasilkan teks, termasuk kode. Model ini tetap terpisah dari edisi Thinking yang diperkuat penalaran dan dari model expert sparse dalam keluarga yang sama. Pilih model ini untuk instruksi visual terarah, pertanyaan dokumen, atau artefak yang dapat diedit yang hasilnya dapat dibandingkan dengan bukti yang diberikan.
Agen visual dan pemrograman visual
Pembuatnya menjelaskan pengenalan elemen antarmuka komputer atau seluler, pemahaman fungsinya, dan penggunaan alat dalam alur kerja agen visual. Berikan tangkapan layar dan tujuan konkret, lalu tanyakan kontrol yang terlihat mana yang sesuai dengan tujuan tersebut dan bukti apa yang mendukung pilihan itu. Perangkat lunak terhubung menjalankan tindakan; pengenalan antarmuka tidak secara mandiri memberikan kendali atas perangkat kepada model.
Pemrograman visual mencakup pembuatan konten diagram dan HTML, CSS, atau JavaScript dari gambar atau video. Berikan referensi tata letak bersama persyaratan fungsional dan keluaran yang dapat diedit yang diperlukan. Minta struktur sumber dan gaya secara terpisah ketika itu mempermudah tinjauan. Kode yang dihasilkan merupakan artefak teks; kode tersebut tetap memerlukan alur kerja pengembangan untuk merender dan menilai perilakunya.
Persepsi spasial dan materi panjang
Qwen mendokumentasikan penalaran tentang posisi objek, sudut pandang, dan oklusi, dengan grounding dua dimensi dan dukungan grounding tiga dimensi. Sebutkan objek sasaran dan nyatakan hubungan yang diperiksa. Hasil tentang posisi relatif merupakan inferensi dari gambar, bukan pengukuran fisik terkalibrasi.
Konteks native-nya adalah 262,144 token. Keluarga ini menjelaskan buku dan video berdurasi berjam-jam, dengan pengindeksan kejadian hingga tingkat detik dan perluasan menjadi sekitar satu juta token melalui konfigurasi. Representasi, pengambilan sampel bingkai, dan batas urutan yang dikonfigurasi menentukan materi mana yang diproses. Konteks besar tidak menjamin ingatan lengkap atas setiap halaman atau bingkai. Pertahankan waktu ketika meminta uraian kejadian video.
Penalaran multimodal, pengenalan, dan OCR
Keluarga ini mendukung pertanyaan STEM dan matematika, analisis sebab-akibat, serta penjelasan visual berbasis bukti. Berikan pernyataan lengkap bersama diagram dan minta nilai serta hubungan yang digunakan sebelum kesimpulan. Pengenalan mencakup beragam orang, produk, landmark, tumbuhan, hewan, dan karakter media; label yang masuk akal harus diperiksa ketika identifikasi penting.
OCR mencakup 32 bahasa dan dirancang untuk meningkatkan pembacaan dalam pencahayaan rendah, kondisi buram, atau miring, termasuk kosakata khusus dan struktur dokumen panjang. Berikan halaman yang terbaca dan minta kolom bernama, kutipan, atau tabel terstruktur yang dapat diperiksa terhadapnya. Pemahaman teks dan visual digabungkan, sehingga pertanyaan dapat menghubungkan paragraf dengan gambar ilustrasi dan instruksi pengguna.
Pembaruan arsitektur
Konfigurasi teks dense yang dipublikasikan memiliki 36 lapisan. Interleaved-MRoPE merepresentasikan waktu, lebar, dan tinggi untuk penalaran video. DeepStack menggabungkan fitur dari beberapa tingkat encoder visual, dan penyelarasan teks–stempel waktu mengaitkan kejadian dengan referensi temporal. Fitur arsitektur ini menjelaskan representasi model; fitur tersebut tidak menetapkan waktu respons tetap atau akurasi fisik yang persis.
Menyiapkan masukan
Contoh keluarga dari pembuatnya mencakup permintaan hanya teks, satu atau beberapa gambar, dan video. Beri label masukan visual dan nyatakan hubungannya. Anggaran piksel gambar dan video terpisah: anggaran gambar menyangkut satu gambar, sedangkan anggaran video menyangkut piksel di seluruh bingkai yang disampel. Dimensi gambar eksplisit diselaraskan ke kelipatan 32. Pengaturan bawaan video yang didokumentasikan adalah dua bingkai per detik, dengan kontrol laju atau jumlah bingkai dalam alur kerja yang didukung.
Alur kerja pembantu mempertahankan metadata video dan menyarankan menghindari pengubahan ukuran ganda ketika media sudah diubah ukurannya. Untuk tugas dokumen, pertahankan pengenal halaman; untuk klip, minta kejadian, interval yang relevan, dan bukti yang terlihat. Contoh persiapan ini menerapkan kemampuan yang didokumentasikan, bukan menjamin ekstraksi yang persis atau presisi temporal.
Panduan pembuatan keluaran dan batasan
Kartu yang spesifik ini memberikan preset tugas terpisah. Tugas visi-bahasa menggunakan temperature 0.7, top_p 0.8, top_k 20, repetition penalty 1.0, dan presence penalty 1.5, dengan alokasi keluaran 16,384 token. Tugas teks menggunakan temperature 1.0, top_p 1.0, top_k 40, repetition penalty 1.0, dan presence penalty 2.0, dengan alokasi 32,768 token. Ini merupakan anggaran resep produsen, bukan batas atas keluaran tegas yang ditetapkan secara independen atau identitas model yang terpisah.
Prosedur konteks panjang keluarga ini menggunakan YaRN, dengan faktor dua atau tiga disarankan ketika memperluas posisi interleaved-nya dari 256K ke sekitar 1M. Jangan menyalin faktor empat dari keluarga Qwen lain. Sisakan ruang untuk jawaban bersama masukan visual dan teks, serta verifikasi OCR, kesimpulan hasil perhitungan, dan sumber yang dihasilkan terhadap materi asli. Pertahankan edisi Instruct yang tepat, alih-alih mengimpor kontrak pembuatan keluaran atau kontrol checkpoint Thinking.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen/qwen3-vl-8b-instruct | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Contoh: system, user, assistant, tool, function Kondisi: Peran ini direpresentasikan secara eksplisit oleh tipe kompatibilitas dalam kode sumber; kumpulan peran model yang tepat tetap khusus untuk tiap model. Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring|content_part[]|null | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_calls | Jenistool_call[] | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_call_id | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: role=tool; gunakan ID yang benar-benar dikembalikan | Bawaan— |
Kolommessages[].name | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].reasoning_content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Kirim kembali penalaran yang benar-benar dikembalikan jika model ini menggunakannya | Bawaan— |
Kolommessages[].reasoning_details | Jenisobject|array | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolommax_completion_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Kolomstream_options.include_usage | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtemperature | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtop_p | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomstop | Jenisstring|string[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools | Jenisfunction_tool[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools[].type | Jenisstring | PersyaratanOpsional | Nilai & batasan function Bergantung pada model | Bawaan— |
Kolomtools[].function.name | Jenisstring | PersyaratanWajib | Nilai & batasan Berlaku jika: alat fungsi disediakan | Bawaan— |
Kolomtools[].function.description | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtools[].function.parameters | JenisJSON_schema | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtool_choice | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomparallel_tool_calls | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomresponse_format | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning_effort | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomservice_tier | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolominstructions | Jenisstring | PersyaratanOpsional | Nilai & batasan Kolom kompatibilitas | Bawaan— |
Kolomfunctions | Jenisfunction[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomfunction_call | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomprompt_cache_options | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommodalities | Jenisstring[] | PersyaratanOpsional | Nilai & batasan text | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak pada rute teks Ultra ini | Bawaan— |
Kolomcache_control.ttl | Jenisstring | PersyaratanOpsional | Nilai & batasan Kondisi: 1h ditolak pada lokasi cache prompt yang digunakan | Bawaan— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontrakarray pesan dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeda dari alat yang dihosting |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Siklus hidup: synchronous_or_streamed
Kirim ID model yang tepat bersama messages.
Panjang konteks bukan batas keluaran.
File teks dapat menyediakan teks apa adanya; masukan gambar/audio/objek file memerlukan pengikatan yang tepat.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0005 / 1K token Keluaran · Token keluaran $0.0015 / 1K token Masukan · Pembacaan cache $0.00024 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0005 / 1K token Keluaran · Token keluaran $0.0015 / 1K token Masukan · Pembacaan cache $0.00024 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-vl-8b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3-vl-8b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3-vl-8b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap alternatif jawaban beserta konten, panggilan alat, dan penalarannya. Dalam SSE, gabungkan delta menurut indeks alternatif jawaban/alat, lalu pertahankan alasan penghentian akhir dan data penggunaan.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomchoices[].index | Jenisinteger |
Kolomchoices[].message.content | Jenisstring|null |
Kolomchoices[].message.tool_calls | Jenistool_call[] |
Kolomchoices[].message.reasoning_content | Jenisstring |
Kolomchoices[].message.reasoning_details | Jenisobject|array |
Kolomchoices[].finish_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra qwen/qwen3-vl-8b-instruct
Gunakan jalur metode yang ditampilkan di atas.
qwen/qwen3-vl-8b-instructQwen3-VL-8B-Instruct adalah model visi-bahasa dense Qwen yang berfokus pada instruksi untuk teks, gambar, dan video, dengan keluaran teks atau kode. Model ini mendukung pembacaan dokumen, pemrograman visual, pertanyaan spasial, dan analisis video, dengan OCR 32 bahasa serta konteks native 262,144 token.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Edisi visi-bahasa 8B Instruct
Qwen3-VL-8B-Instruct adalah edisi dense 8B Qwen3-VL yang berfokus pada instruksi. Model ini menggabungkan teks dengan gambar atau video dan menghasilkan teks, termasuk kode. Model ini tetap terpisah dari edisi Thinking yang diperkuat penalaran dan dari model expert sparse dalam keluarga yang sama. Pilih model ini untuk instruksi visual terarah, pertanyaan dokumen, atau artefak yang dapat diedit yang hasilnya dapat dibandingkan dengan bukti yang diberikan.
Agen visual dan pemrograman visual
Pembuatnya menjelaskan pengenalan elemen antarmuka komputer atau seluler, pemahaman fungsinya, dan penggunaan alat dalam alur kerja agen visual. Berikan tangkapan layar dan tujuan konkret, lalu tanyakan kontrol yang terlihat mana yang sesuai dengan tujuan tersebut dan bukti apa yang mendukung pilihan itu. Perangkat lunak terhubung menjalankan tindakan; pengenalan antarmuka tidak secara mandiri memberikan kendali atas perangkat kepada model.
Pemrograman visual mencakup pembuatan konten diagram dan HTML, CSS, atau JavaScript dari gambar atau video. Berikan referensi tata letak bersama persyaratan fungsional dan keluaran yang dapat diedit yang diperlukan. Minta struktur sumber dan gaya secara terpisah ketika itu mempermudah tinjauan. Kode yang dihasilkan merupakan artefak teks; kode tersebut tetap memerlukan alur kerja pengembangan untuk merender dan menilai perilakunya.
Persepsi spasial dan materi panjang
Qwen mendokumentasikan penalaran tentang posisi objek, sudut pandang, dan oklusi, dengan grounding dua dimensi dan dukungan grounding tiga dimensi. Sebutkan objek sasaran dan nyatakan hubungan yang diperiksa. Hasil tentang posisi relatif merupakan inferensi dari gambar, bukan pengukuran fisik terkalibrasi.
Konteks native-nya adalah 262,144 token. Keluarga ini menjelaskan buku dan video berdurasi berjam-jam, dengan pengindeksan kejadian hingga tingkat detik dan perluasan menjadi sekitar satu juta token melalui konfigurasi. Representasi, pengambilan sampel bingkai, dan batas urutan yang dikonfigurasi menentukan materi mana yang diproses. Konteks besar tidak menjamin ingatan lengkap atas setiap halaman atau bingkai. Pertahankan waktu ketika meminta uraian kejadian video.
Penalaran multimodal, pengenalan, dan OCR
Keluarga ini mendukung pertanyaan STEM dan matematika, analisis sebab-akibat, serta penjelasan visual berbasis bukti. Berikan pernyataan lengkap bersama diagram dan minta nilai serta hubungan yang digunakan sebelum kesimpulan. Pengenalan mencakup beragam orang, produk, landmark, tumbuhan, hewan, dan karakter media; label yang masuk akal harus diperiksa ketika identifikasi penting.
OCR mencakup 32 bahasa dan dirancang untuk meningkatkan pembacaan dalam pencahayaan rendah, kondisi buram, atau miring, termasuk kosakata khusus dan struktur dokumen panjang. Berikan halaman yang terbaca dan minta kolom bernama, kutipan, atau tabel terstruktur yang dapat diperiksa terhadapnya. Pemahaman teks dan visual digabungkan, sehingga pertanyaan dapat menghubungkan paragraf dengan gambar ilustrasi dan instruksi pengguna.
Pembaruan arsitektur
Konfigurasi teks dense yang dipublikasikan memiliki 36 lapisan. Interleaved-MRoPE merepresentasikan waktu, lebar, dan tinggi untuk penalaran video. DeepStack menggabungkan fitur dari beberapa tingkat encoder visual, dan penyelarasan teks–stempel waktu mengaitkan kejadian dengan referensi temporal. Fitur arsitektur ini menjelaskan representasi model; fitur tersebut tidak menetapkan waktu respons tetap atau akurasi fisik yang persis.
Menyiapkan masukan
Contoh keluarga dari pembuatnya mencakup permintaan hanya teks, satu atau beberapa gambar, dan video. Beri label masukan visual dan nyatakan hubungannya. Anggaran piksel gambar dan video terpisah: anggaran gambar menyangkut satu gambar, sedangkan anggaran video menyangkut piksel di seluruh bingkai yang disampel. Dimensi gambar eksplisit diselaraskan ke kelipatan 32. Pengaturan bawaan video yang didokumentasikan adalah dua bingkai per detik, dengan kontrol laju atau jumlah bingkai dalam alur kerja yang didukung.
Alur kerja pembantu mempertahankan metadata video dan menyarankan menghindari pengubahan ukuran ganda ketika media sudah diubah ukurannya. Untuk tugas dokumen, pertahankan pengenal halaman; untuk klip, minta kejadian, interval yang relevan, dan bukti yang terlihat. Contoh persiapan ini menerapkan kemampuan yang didokumentasikan, bukan menjamin ekstraksi yang persis atau presisi temporal.
Panduan pembuatan keluaran dan batasan
Kartu yang spesifik ini memberikan preset tugas terpisah. Tugas visi-bahasa menggunakan temperature 0.7, top_p 0.8, top_k 20, repetition penalty 1.0, dan presence penalty 1.5, dengan alokasi keluaran 16,384 token. Tugas teks menggunakan temperature 1.0, top_p 1.0, top_k 40, repetition penalty 1.0, dan presence penalty 2.0, dengan alokasi 32,768 token. Ini merupakan anggaran resep produsen, bukan batas atas keluaran tegas yang ditetapkan secara independen atau identitas model yang terpisah.
Prosedur konteks panjang keluarga ini menggunakan YaRN, dengan faktor dua atau tiga disarankan ketika memperluas posisi interleaved-nya dari 256K ke sekitar 1M. Jangan menyalin faktor empat dari keluarga Qwen lain. Sisakan ruang untuk jawaban bersama masukan visual dan teks, serta verifikasi OCR, kesimpulan hasil perhitungan, dan sumber yang dihasilkan terhadap materi asli. Pertahankan edisi Instruct yang tepat, alih-alih mengimpor kontrak pembuatan keluaran atau kontrol checkpoint Thinking.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen/qwen3-vl-8b-instruct | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan user, assistant | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF-8
string messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_or_streamed
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0005 / 1K token Keluaran · Token keluaran $0.0015 / 1K token Masukan · Pembacaan cache $0.00024 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0005 / 1K token Keluaran · Token keluaran $0.0015 / 1K token Masukan · Pembacaan cache $0.00024 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "qwen/qwen3-vl-8b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-8b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-8b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan semua blok konten, tanda tangan penalaran, dan ID penggunaan alat yang sebenarnya. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan keluaran.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomid | Jenisstring |
Kolommodel | Jenisstring |
Kolomcontent[] | Jenistext|thinking|tool_use|other content block |
Kolomstop_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra qwen/qwen3-vl-8b-instruct
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Read a text diagram relationship\n\nUse this text rendering of diagram D4: source A feeds filter B; B feeds tanks C and D; only D connects to drain E. List the directed path from A to E and name the tank on that path. Do not add physical dimensions or connections absent from the rendering.A labeled directed path and the tank identifier supported by D4.The path must follow the stated arrows and must not add a C-to-E connection.