L’edizione visivo-linguistica 8B Instruct
Qwen3-VL-8B-Instruct è l’edizione densa 8B di Qwen3-VL orientata alle istruzioni. Combina testo con immagini o video e produce testo, compreso codice. Resta separata dall’edizione Thinking con ragionamento potenziato e dai modelli a esperti sparsi della stessa famiglia. Sceglierla per un’istruzione visiva mirata, una domanda documentale o un artefatto modificabile il cui risultato possa essere confrontato con le evidenze fornite.
Agenti visivi e programmazione visiva
Il produttore descrive riconoscimento degli elementi di interfacce di computer o dispositivi mobili, comprensione delle loro funzioni e uso di strumenti in un flusso con agente visivo. Fornire uno screenshot e un obiettivo concreto, quindi chiedere quali controlli visibili corrispondano a tale obiettivo e quali evidenze sostengano la scelta. Il software collegato esegue le azioni; riconoscere un’interfaccia non dà autonomamente al modello il controllo di un dispositivo.
La programmazione visiva include produrre contenuti per diagrammi e HTML, CSS o JavaScript da immagini o video. Fornire il riferimento del layout insieme ai requisiti funzionali e all’output modificabile richiesto. Chiedere struttura del sorgente e stili separatamente quando facilita la revisione. Il codice generato è un artefatto testuale; necessita comunque di un flusso di sviluppo per il rendering e la valutazione del comportamento.
Percezione spaziale e materiale lungo
Qwen documenta ragionamento su posizioni degli oggetti, punti di vista e occlusioni, con ancoraggio spaziale bidimensionale e supporto per quello tridimensionale. Nominare l’oggetto di interesse e indicare la relazione esaminata. Un risultato sulla posizione relativa è un’inferenza dall’immagine, non una misura fisica calibrata.
Il contesto nativo è di 262,144 token. La famiglia descrive libri e video della durata di ore, con indicizzazione degli eventi a risoluzione di un secondo ed espansione a circa un milione di token tramite configurazione. Rappresentazione, campionamento dei fotogrammi e limite di sequenza configurato determinano il materiale elaborato. Un contesto grande non garantisce il ricordo completo di ogni pagina o fotogramma. Preservare i tempi quando si richiede un resoconto degli eventi video.
Ragionamento multimodale, riconoscimento e OCR
La famiglia supporta domande STEM e matematiche, analisi causale e spiegazioni visive basate sulle evidenze. Fornire l’enunciato completo insieme al diagramma e richiedere i valori e le relazioni usati prima della conclusione. Il riconoscimento copre un’ampia gamma di persone, prodotti, luoghi di interesse, piante, animali e personaggi dei media; un’etichetta plausibile deve essere verificata quando l’identificazione conta.
L’OCR copre 32 lingue ed è progettato per migliorare la lettura con scarsa luce, sfocatura o inclinazione, compresi vocabolario specialistico e struttura dei documenti lunghi. Fornire una pagina leggibile e chiedere campi nominati, citazioni o una tabella strutturata verificabile rispetto a essa. Comprensione testuale e visiva vengono combinate, quindi una domanda può collegare un paragrafo a una figura e alle istruzioni dell’utente.
Aggiornamenti architetturali
La configurazione testuale densa pubblicata ha 36 livelli. Interleaved-MRoPE rappresenta tempo, larghezza e altezza per il ragionamento video. DeepStack combina caratteristiche di più livelli dell’encoder visivo e l’allineamento testo–timestamp ancora gli eventi a riferimenti temporali. Queste caratteristiche architetturali descrivono la rappresentazione del modello; non stabiliscono un tempo di risposta fisso né un’accuratezza fisica esatta.
Preparare l’input
Gli esempi della famiglia del produttore coprono richieste solo testuali, immagini singole o multiple e video. Etichettare gli input visivi e indicarne la relazione. I budget di pixel per immagini e video sono separati: un budget immagine riguarda una singola immagine, mentre un budget video riguarda l’insieme dei pixel dei fotogrammi campionati. Le dimensioni esplicite delle immagini sono allineate a multipli di 32. Il valore predefinito video documentato è di due fotogrammi al secondo, con controlli della frequenza o del numero di fotogrammi nei flussi supportati.
Il flusso ausiliario preserva i metadati video e consiglia di evitare ridimensionamenti duplicati quando i media sono già stati ridimensionati. Per un’attività documentale, conservare gli identificatori di pagina; per una clip, chiedere evento, intervallo pertinente ed evidenze visibili. Questi esempi di preparazione applicano le capacità documentate anziché garantire un’estrazione esatta o precisione temporale.
Indicazioni per la generazione e limiti
Questa scheda specifica fornisce preset separati per attività. Le attività visivo-linguistiche usano temperature 0.7, top_p 0.8, top_k 20, penalità di ripetizione 1.0 e penalità di presenza 1.5, con un budget di output di 16,384 token. Le attività testuali usano temperature 1.0, top_p 1.0, top_k 40, penalità di ripetizione 1.0 e penalità di presenza 2.0, con un budget di 32,768 token. Sono budget delle procedure del produttore, non limiti rigidi dell’output stabiliti indipendentemente né identità separate del modello.
La procedura della famiglia per contesti lunghi usa YaRN, con un fattore di due o tre suggerito nell’estensione delle posizioni interlacciate da 256K a circa 1M. Non copiare un fattore di quattro da un’altra famiglia Qwen. Riservare spazio alla risposta accanto all’input visivo e testuale e verificare OCR, conclusioni calcolate e sorgente generato rispetto al materiale originale. Mantenere l’edizione Instruct esatta anziché importare il contratto di generazione o controllo di un checkpoint Thinking.
", "aboutText": "L’edizione visivo-linguistica 8B Instruct\n\nQwen3-VL-8B-Instruct è l’edizione densa 8B di Qwen3-VL orientata alle istruzioni. Combina testo con immagini o video e produce testo, compreso codice. Resta separata dall’edizione Thinking con ragionamento potenziato e dai modelli a esperti sparsi della stessa famiglia. Sceglierla per un’istruzione visiva mirata, una domanda documentale o un artefatto modificabile il cui risultato possa essere confrontato con le evidenze fornite.\n\nAgenti visivi e programmazione visiva\n\nIl produttore descrive riconoscimento degli elementi di interfacce di computer o dispositivi mobili, comprensione delle loro funzioni e uso di strumenti in un flusso con agente visivo. Fornire uno screenshot e un obiettivo concreto, quindi chiedere quali controlli visibili corrispondano a tale obiettivo e quali evidenze sostengano la scelta. Il software collegato esegue le azioni; riconoscere un’interfaccia non dà autonomamente al modello il controllo di un dispositivo.\n\nLa programmazione visiva include produrre contenuti per diagrammi e HTML, CSS o JavaScript da immagini o video. Fornire il riferimento del layout insieme ai requisiti funzionali e all’output modificabile richiesto. Chiedere struttura del sorgente e stili separatamente quando facilita la revisione. Il codice generato è un artefatto testuale; necessita comunque di un flusso di sviluppo per il rendering e la valutazione del comportamento.\n\nPercezione spaziale e materiale lungo\n\nQwen documenta ragionamento su posizioni degli oggetti, punti di vista e occlusioni, con ancoraggio spaziale bidimensionale e supporto per quello tridimensionale. Nominare l’oggetto di interesse e indicare la relazione esaminata. Un risultato sulla posizione relativa è un’inferenza dall’immagine, non una misura fisica calibrata.\n\nIl contesto nativo è di 262,144 token. La famiglia descrive libri e video della durata di ore, con indicizzazione degli eventi a risoluzione di un secondo ed espansione a circa un milione di token tramite configurazione. Rappresentazione, campionamento dei fotogrammi e limite di sequenza configurato determinano il materiale elaborato. Un contesto grande non garantisce il ricordo completo di ogni pagina o fotogramma. Preservare i tempi quando si richiede un resoconto degli eventi video.\n\nRagionamento multimodale, riconoscimento e OCR\n\nLa famiglia supporta domande STEM e matematiche, analisi causale e spiegazioni visive basate sulle evidenze. Fornire l’enunciato completo insieme al diagramma e richiedere i valori e le relazioni usati prima della conclusione. Il riconoscimento copre un’ampia gamma di persone, prodotti, luoghi di interesse, piante, animali e personaggi dei media; un’etichetta plausibile deve essere verificata quando l’identificazione conta.\n\nL’OCR copre 32 lingue ed è progettato per migliorare la lettura con scarsa luce, sfocatura o inclinazione, compresi vocabolario specialistico e struttura dei documenti lunghi. Fornire una pagina leggibile e chiedere campi nominati, citazioni o una tabella strutturata verificabile rispetto a essa. Comprensione testuale e visiva vengono combinate, quindi una domanda può collegare un paragrafo a una figura e alle istruzioni dell’utente.\n\nAggiornamenti architetturali\n\nLa configurazione testuale densa pubblicata ha 36 livelli. Interleaved-MRoPE rappresenta tempo, larghezza e altezza per il ragionamento video. DeepStack combina caratteristiche di più livelli dell’encoder visivo e l’allineamento testo–timestamp ancora gli eventi a riferimenti temporali. Queste caratteristiche architetturali descrivono la rappresentazione del modello; non stabiliscono un tempo di risposta fisso né un’accuratezza fisica esatta.\n\nPreparare l’input\n\nGli esempi della famiglia del produttore coprono richieste solo testuali, immagini singole o multiple e video. Etichettare gli input visivi e indicarne la relazione. I budget di pixel per immagini e video sono separati: un budget immagine riguarda una singola immagine, mentre un budget video riguarda l’insieme dei pixel dei fotogrammi campionati. Le dimensioni esplicite delle immagini sono allineate a multipli di 32. Il valore predefinito video documentato è di due fotogrammi al secondo, con controlli della frequenza o del numero di fotogrammi nei flussi supportati.\n\nIl flusso ausiliario preserva i metadati video e consiglia di evitare ridimensionamenti duplicati quando i media sono già stati ridimensionati. Per un’attività documentale, conservare gli identificatori di pagina; per una clip, chiedere evento, intervallo pertinente ed evidenze visibili. Questi esempi di preparazione applicano le capacità documentate anziché garantire un’estrazione esatta o precisione temporale.\n\nIndicazioni per la generazione e limiti\n\nQuesta scheda specifica fornisce preset separati per attività. Le attività visivo-linguistiche usano temperature 0.7, top_p 0.8, top_k 20, penalità di ripetizione 1.0 e penalità di presenza 1.5, con un budget di output di 16,384 token. Le attività testuali usano temperature 1.0, top_p 1.0, top_k 40, penalità di ripetizione 1.0 e penalità di presenza 2.0, con un budget di 32,768 token. Sono budget delle procedure del produttore, non limiti rigidi dell’output stabiliti indipendentemente né identità separate del modello.\n\nLa procedura della famiglia per contesti lunghi usa YaRN, con un fattore di due o tre suggerito nell’estensione delle posizioni interlacciate da 256K a circa 1M. Non copiare un fattore di quattro da un’altra famiglia Qwen. Riservare spazio alla risposta accanto all’input visivo e testuale e verificare OCR, conclusioni calcolate e sorgente generato rispetto al materiale originale. Mantenere l’edizione Instruct esatta anziché importare il contratto di generazione o controllo di un checkpoint Thinking.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
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 è il modello visivo-linguistico denso di Qwen orientato alle istruzioni per testo, immagini e video, con output testuale o di codice. Supporta lettura documentale, programmazione visiva, domande spaziali e analisi video, con OCR in 32 lingue e un contesto nativo di 262,144 token.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
L’edizione visivo-linguistica 8B Instruct
Qwen3-VL-8B-Instruct è l’edizione densa 8B di Qwen3-VL orientata alle istruzioni. Combina testo con immagini o video e produce testo, compreso codice. Resta separata dall’edizione Thinking con ragionamento potenziato e dai modelli a esperti sparsi della stessa famiglia. Sceglierla per un’istruzione visiva mirata, una domanda documentale o un artefatto modificabile il cui risultato possa essere confrontato con le evidenze fornite.
Agenti visivi e programmazione visiva
Il produttore descrive riconoscimento degli elementi di interfacce di computer o dispositivi mobili, comprensione delle loro funzioni e uso di strumenti in un flusso con agente visivo. Fornire uno screenshot e un obiettivo concreto, quindi chiedere quali controlli visibili corrispondano a tale obiettivo e quali evidenze sostengano la scelta. Il software collegato esegue le azioni; riconoscere un’interfaccia non dà autonomamente al modello il controllo di un dispositivo.
La programmazione visiva include produrre contenuti per diagrammi e HTML, CSS o JavaScript da immagini o video. Fornire il riferimento del layout insieme ai requisiti funzionali e all’output modificabile richiesto. Chiedere struttura del sorgente e stili separatamente quando facilita la revisione. Il codice generato è un artefatto testuale; necessita comunque di un flusso di sviluppo per il rendering e la valutazione del comportamento.
Percezione spaziale e materiale lungo
Qwen documenta ragionamento su posizioni degli oggetti, punti di vista e occlusioni, con ancoraggio spaziale bidimensionale e supporto per quello tridimensionale. Nominare l’oggetto di interesse e indicare la relazione esaminata. Un risultato sulla posizione relativa è un’inferenza dall’immagine, non una misura fisica calibrata.
Il contesto nativo è di 262,144 token. La famiglia descrive libri e video della durata di ore, con indicizzazione degli eventi a risoluzione di un secondo ed espansione a circa un milione di token tramite configurazione. Rappresentazione, campionamento dei fotogrammi e limite di sequenza configurato determinano il materiale elaborato. Un contesto grande non garantisce il ricordo completo di ogni pagina o fotogramma. Preservare i tempi quando si richiede un resoconto degli eventi video.
Ragionamento multimodale, riconoscimento e OCR
La famiglia supporta domande STEM e matematiche, analisi causale e spiegazioni visive basate sulle evidenze. Fornire l’enunciato completo insieme al diagramma e richiedere i valori e le relazioni usati prima della conclusione. Il riconoscimento copre un’ampia gamma di persone, prodotti, luoghi di interesse, piante, animali e personaggi dei media; un’etichetta plausibile deve essere verificata quando l’identificazione conta.
L’OCR copre 32 lingue ed è progettato per migliorare la lettura con scarsa luce, sfocatura o inclinazione, compresi vocabolario specialistico e struttura dei documenti lunghi. Fornire una pagina leggibile e chiedere campi nominati, citazioni o una tabella strutturata verificabile rispetto a essa. Comprensione testuale e visiva vengono combinate, quindi una domanda può collegare un paragrafo a una figura e alle istruzioni dell’utente.
Aggiornamenti architetturali
La configurazione testuale densa pubblicata ha 36 livelli. Interleaved-MRoPE rappresenta tempo, larghezza e altezza per il ragionamento video. DeepStack combina caratteristiche di più livelli dell’encoder visivo e l’allineamento testo–timestamp ancora gli eventi a riferimenti temporali. Queste caratteristiche architetturali descrivono la rappresentazione del modello; non stabiliscono un tempo di risposta fisso né un’accuratezza fisica esatta.
Preparare l’input
Gli esempi della famiglia del produttore coprono richieste solo testuali, immagini singole o multiple e video. Etichettare gli input visivi e indicarne la relazione. I budget di pixel per immagini e video sono separati: un budget immagine riguarda una singola immagine, mentre un budget video riguarda l’insieme dei pixel dei fotogrammi campionati. Le dimensioni esplicite delle immagini sono allineate a multipli di 32. Il valore predefinito video documentato è di due fotogrammi al secondo, con controlli della frequenza o del numero di fotogrammi nei flussi supportati.
Il flusso ausiliario preserva i metadati video e consiglia di evitare ridimensionamenti duplicati quando i media sono già stati ridimensionati. Per un’attività documentale, conservare gli identificatori di pagina; per una clip, chiedere evento, intervallo pertinente ed evidenze visibili. Questi esempi di preparazione applicano le capacità documentate anziché garantire un’estrazione esatta o precisione temporale.
Indicazioni per la generazione e limiti
Questa scheda specifica fornisce preset separati per attività. Le attività visivo-linguistiche usano temperature 0.7, top_p 0.8, top_k 20, penalità di ripetizione 1.0 e penalità di presenza 1.5, con un budget di output di 16,384 token. Le attività testuali usano temperature 1.0, top_p 1.0, top_k 40, penalità di ripetizione 1.0 e penalità di presenza 2.0, con un budget di 32,768 token. Sono budget delle procedure del produttore, non limiti rigidi dell’output stabiliti indipendentemente né identità separate del modello.
La procedura della famiglia per contesti lunghi usa YaRN, con un fattore di due o tre suggerito nell’estensione delle posizioni interlacciate da 256K a circa 1M. Non copiare un fattore di quattro da un’altra famiglia Qwen. Riservare spazio alla risposta accanto all’input visivo e testuale e verificare OCR, conclusioni calcolate e sorgente generato rispetto al materiale originale. Mantenere l’edizione Instruct esatta anziché importare il contratto di generazione o controllo di un checkpoint Thinking.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen/qwen3-vl-8b-instruct | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti function Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomodalities | Tipostring[] | RequisitoFacoltativo | Valori e limiti text | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options viene rifiutato su questa rotta testuale Ultra | Predefinito— |
Campocache_control.ttl | Tipostring | RequisitoFacoltativo | Valori e limiti Condizioni: 1h viene rifiutato nelle posizioni effettive della cache dei prompt | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrocontrol_scope | ContrattoSpecifico del modello; gli strumenti di funzione dell’utente differiscono dagli strumenti ospitati |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0005 / 1K token Output · Token in output $0.0015 / 1K token Input · Lettura dalla cache $0.00024 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0005 / 1K token Output · Token in output $0.0015 / 1K token Input · Lettura dalla cache $0.00024 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra qwen/qwen3-vl-8b-instruct
Usa i percorsi dei metodi indicati sopra.
qwen/qwen3-vl-8b-instructQwen3-VL-8B-Instruct è il modello visivo-linguistico denso di Qwen orientato alle istruzioni per testo, immagini e video, con output testuale o di codice. Supporta lettura documentale, programmazione visiva, domande spaziali e analisi video, con OCR in 32 lingue e un contesto nativo di 262,144 token.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
L’edizione visivo-linguistica 8B Instruct
Qwen3-VL-8B-Instruct è l’edizione densa 8B di Qwen3-VL orientata alle istruzioni. Combina testo con immagini o video e produce testo, compreso codice. Resta separata dall’edizione Thinking con ragionamento potenziato e dai modelli a esperti sparsi della stessa famiglia. Sceglierla per un’istruzione visiva mirata, una domanda documentale o un artefatto modificabile il cui risultato possa essere confrontato con le evidenze fornite.
Agenti visivi e programmazione visiva
Il produttore descrive riconoscimento degli elementi di interfacce di computer o dispositivi mobili, comprensione delle loro funzioni e uso di strumenti in un flusso con agente visivo. Fornire uno screenshot e un obiettivo concreto, quindi chiedere quali controlli visibili corrispondano a tale obiettivo e quali evidenze sostengano la scelta. Il software collegato esegue le azioni; riconoscere un’interfaccia non dà autonomamente al modello il controllo di un dispositivo.
La programmazione visiva include produrre contenuti per diagrammi e HTML, CSS o JavaScript da immagini o video. Fornire il riferimento del layout insieme ai requisiti funzionali e all’output modificabile richiesto. Chiedere struttura del sorgente e stili separatamente quando facilita la revisione. Il codice generato è un artefatto testuale; necessita comunque di un flusso di sviluppo per il rendering e la valutazione del comportamento.
Percezione spaziale e materiale lungo
Qwen documenta ragionamento su posizioni degli oggetti, punti di vista e occlusioni, con ancoraggio spaziale bidimensionale e supporto per quello tridimensionale. Nominare l’oggetto di interesse e indicare la relazione esaminata. Un risultato sulla posizione relativa è un’inferenza dall’immagine, non una misura fisica calibrata.
Il contesto nativo è di 262,144 token. La famiglia descrive libri e video della durata di ore, con indicizzazione degli eventi a risoluzione di un secondo ed espansione a circa un milione di token tramite configurazione. Rappresentazione, campionamento dei fotogrammi e limite di sequenza configurato determinano il materiale elaborato. Un contesto grande non garantisce il ricordo completo di ogni pagina o fotogramma. Preservare i tempi quando si richiede un resoconto degli eventi video.
Ragionamento multimodale, riconoscimento e OCR
La famiglia supporta domande STEM e matematiche, analisi causale e spiegazioni visive basate sulle evidenze. Fornire l’enunciato completo insieme al diagramma e richiedere i valori e le relazioni usati prima della conclusione. Il riconoscimento copre un’ampia gamma di persone, prodotti, luoghi di interesse, piante, animali e personaggi dei media; un’etichetta plausibile deve essere verificata quando l’identificazione conta.
L’OCR copre 32 lingue ed è progettato per migliorare la lettura con scarsa luce, sfocatura o inclinazione, compresi vocabolario specialistico e struttura dei documenti lunghi. Fornire una pagina leggibile e chiedere campi nominati, citazioni o una tabella strutturata verificabile rispetto a essa. Comprensione testuale e visiva vengono combinate, quindi una domanda può collegare un paragrafo a una figura e alle istruzioni dell’utente.
Aggiornamenti architetturali
La configurazione testuale densa pubblicata ha 36 livelli. Interleaved-MRoPE rappresenta tempo, larghezza e altezza per il ragionamento video. DeepStack combina caratteristiche di più livelli dell’encoder visivo e l’allineamento testo–timestamp ancora gli eventi a riferimenti temporali. Queste caratteristiche architetturali descrivono la rappresentazione del modello; non stabiliscono un tempo di risposta fisso né un’accuratezza fisica esatta.
Preparare l’input
Gli esempi della famiglia del produttore coprono richieste solo testuali, immagini singole o multiple e video. Etichettare gli input visivi e indicarne la relazione. I budget di pixel per immagini e video sono separati: un budget immagine riguarda una singola immagine, mentre un budget video riguarda l’insieme dei pixel dei fotogrammi campionati. Le dimensioni esplicite delle immagini sono allineate a multipli di 32. Il valore predefinito video documentato è di due fotogrammi al secondo, con controlli della frequenza o del numero di fotogrammi nei flussi supportati.
Il flusso ausiliario preserva i metadati video e consiglia di evitare ridimensionamenti duplicati quando i media sono già stati ridimensionati. Per un’attività documentale, conservare gli identificatori di pagina; per una clip, chiedere evento, intervallo pertinente ed evidenze visibili. Questi esempi di preparazione applicano le capacità documentate anziché garantire un’estrazione esatta o precisione temporale.
Indicazioni per la generazione e limiti
Questa scheda specifica fornisce preset separati per attività. Le attività visivo-linguistiche usano temperature 0.7, top_p 0.8, top_k 20, penalità di ripetizione 1.0 e penalità di presenza 1.5, con un budget di output di 16,384 token. Le attività testuali usano temperature 1.0, top_p 1.0, top_k 40, penalità di ripetizione 1.0 e penalità di presenza 2.0, con un budget di 32,768 token. Sono budget delle procedure del produttore, non limiti rigidi dell’output stabiliti indipendentemente né identità separate del modello.
La procedura della famiglia per contesti lunghi usa YaRN, con un fattore di due o tre suggerito nell’estensione delle posizioni interlacciate da 256K a circa 1M. Non copiare un fattore di quattro da un’altra famiglia Qwen. Riservare spazio alla risposta accanto all’input visivo e testuale e verificare OCR, conclusioni calcolate e sorgente generato rispetto al materiale originale. Mantenere l’edizione Instruct esatta anziché importare il contratto di generazione o controllo di un checkpoint Thinking.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen/qwen3-vl-8b-instruct | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0005 / 1K token Output · Token in output $0.0015 / 1K token Input · Lettura dalla cache $0.00024 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0005 / 1K token Output · Token in output $0.0015 / 1K token Input · Lettura dalla cache $0.00024 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "qwen/qwen3-vl-8b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra qwen/qwen3-vl-8b-instruct
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
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.