Qwen3-VL-8B-Thinking è l’edizione densa 8B incentrata sul ragionamento della famiglia Qwen3-VL di Alibaba. Combina testo, immagini e video in un’attività condivisa e genera testo. Qwen rilascia separatamente edizioni Thinking e Instruct; questa scheda riguarda il modello denominato Thinking, il cui scopo include l’analisi delle evidenze visive prima della risposta. Il lavoro solo testuale fa anch’esso parte delle capacità linguistiche del modello.
Il produttore presenta prima gli agenti visivi: il modello può riconoscere elementi di interfacce desktop o mobili, interpretarne le funzioni e ragionare sull’interazione successiva. In un’applicazione, gli screenshot forniscono lo stato attuale e gli strumenti eseguono le azioni selezionate. Un brief utile fornisce l’obiettivo dell’utente, la schermata visibile e le azioni consentite, quindi chiede il passaggio successivo e l’elemento che lo giustifica. L’interpretazione generata è distinta da un’azione eseguita dall’applicazione circostante.
La programmazione visiva collega immagini o video di riferimento a codice testuale. Qwen documenta diagrammi Draw.io e HTML, CSS e JavaScript come esempi di output. Fornire uno screenshot o uno schizzo insieme a comportamento, contenuto e layout di destinazione richiesti; richiedere un artefatto di codice o diagramma modificabile. Per il lavoro spaziale, la famiglia descrive posizione degli oggetti, punto di vista e occlusione, con ancoraggio spaziale 2D e 3D. Indicare la convenzione delle coordinate quando servono posizioni, affinché una posizione descritta e un riquadro richiesto usino lo stesso riferimento.
Il contesto nativo è di 256K token per testo e materiale visivo intercalato. La scheda descrive anche l’espansione a un milione di token, che è un’estensione configurata separata anziché la specifica del contesto nativo. Le applicazioni a contesto lungo includono collegare riferimenti fra pagine di documenti e localizzare eventi nei video. Preservare ordine delle pagine e timestamp video nella preparazione dell’input e chiedere che la risposta identifichi la pagina o il momento usato per ogni conclusione.
Il ragionamento multimodale copre attività matematiche e scientifiche che richiedono sia il materiale visibile sia la relativa domanda scritta. La famiglia supporta anche un ampio riconoscimento visivo di oggetti, prodotti, luoghi di interesse, piante e animali. La copertura OCR comprende 32 lingue e include immagini difficili con scarsa luce, sfocatura o inclinazione, insieme all’interpretazione della struttura documentale. Per un problema scansionato, chiedere prima una trascrizione e poi una soluzione; questo rende visibile un segno o un’etichetta letti male prima che alterino il ragionamento.
Tre aggiornamenti architetturali supportano questo lavoro visivo e temporale. Interleaved-MRoPE distribuisce le informazioni posizionali fra tempo, larghezza e altezza; DeepStack introduce nel modello linguistico caratteristiche visive provenienti da più livelli; timestamp testuali espliciti rappresentano la posizione temporale dei gruppi di fotogrammi video. La loro rilevanza pratica è preservare il dettaglio spaziale e collegare la descrizione di un evento a un momento della fonte. Non trasformano un dettaglio sorgente piccolo o illeggibile in un riconoscimento garantito.
La scheda specifica del modello Thinking fornisce raccomandazioni di generazione separate per attività visive e testuali. Entrambe usano campionamento con temperature 1.0, top-p 0.95 e top-k 20; l’esempio visivo usa penalità di presenza 0.0, mentre quello testuale usa 1.5. Le impostazioni di esempio della lunghezza dell’output sono 40,960 per il lavoro visivo e 32,768 per il testo, con 81,920 suggeriti per determinate valutazioni testuali impegnative. Sono raccomandazioni di ottimizzazione, non una garanzia universale di output massimo né parametri necessariamente esposti dal servizio circostante.
Per un’attività documentale pratica, fornire immagini di pagina ordinate e chiedere: “Estrarre le intestazioni delle sezioni, spiegare la relazione fra il diagramma e il testo adiacente e allegare un riferimento di pagina a ogni risultato.” Per un video, definire l’evento da localizzare e richiedere il timestamp più una breve spiegazione visiva. Per una domanda di ragionamento visivo, indicare l’artefatto finale richiesto e le ipotesi consentite. L’output resta una spiegazione testuale, contenuto estratto, codice o un passaggio proposto per uno strumento; l’input visivo di questa edizione non è un flusso di generazione di video o parlato.
", "aboutText": "Qwen3-VL-8B-Thinking è l’edizione densa 8B incentrata sul ragionamento della famiglia Qwen3-VL di Alibaba. Combina testo, immagini e video in un’attività condivisa e genera testo. Qwen rilascia separatamente edizioni Thinking e Instruct; questa scheda riguarda il modello denominato Thinking, il cui scopo include l’analisi delle evidenze visive prima della risposta. Il lavoro solo testuale fa anch’esso parte delle capacità linguistiche del modello.\n\nIl produttore presenta prima gli agenti visivi: il modello può riconoscere elementi di interfacce desktop o mobili, interpretarne le funzioni e ragionare sull’interazione successiva. In un’applicazione, gli screenshot forniscono lo stato attuale e gli strumenti eseguono le azioni selezionate. Un brief utile fornisce l’obiettivo dell’utente, la schermata visibile e le azioni consentite, quindi chiede il passaggio successivo e l’elemento che lo giustifica. L’interpretazione generata è distinta da un’azione eseguita dall’applicazione circostante.\n\nLa programmazione visiva collega immagini o video di riferimento a codice testuale. Qwen documenta diagrammi Draw.io e HTML, CSS e JavaScript come esempi di output. Fornire uno screenshot o uno schizzo insieme a comportamento, contenuto e layout di destinazione richiesti; richiedere un artefatto di codice o diagramma modificabile. Per il lavoro spaziale, la famiglia descrive posizione degli oggetti, punto di vista e occlusione, con ancoraggio spaziale 2D e 3D. Indicare la convenzione delle coordinate quando servono posizioni, affinché una posizione descritta e un riquadro richiesto usino lo stesso riferimento.\n\nIl contesto nativo è di 256K token per testo e materiale visivo intercalato. La scheda descrive anche l’espansione a un milione di token, che è un’estensione configurata separata anziché la specifica del contesto nativo. Le applicazioni a contesto lungo includono collegare riferimenti fra pagine di documenti e localizzare eventi nei video. Preservare ordine delle pagine e timestamp video nella preparazione dell’input e chiedere che la risposta identifichi la pagina o il momento usato per ogni conclusione.\n\nIl ragionamento multimodale copre attività matematiche e scientifiche che richiedono sia il materiale visibile sia la relativa domanda scritta. La famiglia supporta anche un ampio riconoscimento visivo di oggetti, prodotti, luoghi di interesse, piante e animali. La copertura OCR comprende 32 lingue e include immagini difficili con scarsa luce, sfocatura o inclinazione, insieme all’interpretazione della struttura documentale. Per un problema scansionato, chiedere prima una trascrizione e poi una soluzione; questo rende visibile un segno o un’etichetta letti male prima che alterino il ragionamento.\n\nTre aggiornamenti architetturali supportano questo lavoro visivo e temporale. Interleaved-MRoPE distribuisce le informazioni posizionali fra tempo, larghezza e altezza; DeepStack introduce nel modello linguistico caratteristiche visive provenienti da più livelli; timestamp testuali espliciti rappresentano la posizione temporale dei gruppi di fotogrammi video. La loro rilevanza pratica è preservare il dettaglio spaziale e collegare la descrizione di un evento a un momento della fonte. Non trasformano un dettaglio sorgente piccolo o illeggibile in un riconoscimento garantito.\n\nLa scheda specifica del modello Thinking fornisce raccomandazioni di generazione separate per attività visive e testuali. Entrambe usano campionamento con temperature 1.0, top-p 0.95 e top-k 20; l’esempio visivo usa penalità di presenza 0.0, mentre quello testuale usa 1.5. Le impostazioni di esempio della lunghezza dell’output sono 40,960 per il lavoro visivo e 32,768 per il testo, con 81,920 suggeriti per determinate valutazioni testuali impegnative. Sono raccomandazioni di ottimizzazione, non una garanzia universale di output massimo né parametri necessariamente esposti dal servizio circostante.\n\nPer un’attività documentale pratica, fornire immagini di pagina ordinate e chiedere: “Estrarre le intestazioni delle sezioni, spiegare la relazione fra il diagramma e il testo adiacente e allegare un riferimento di pagina a ogni risultato.” Per un video, definire l’evento da localizzare e richiedere il timestamp più una breve spiegazione visiva. Per una domanda di ragionamento visivo, indicare l’artefatto finale richiesto e le ipotesi consentite. L’output resta una spiegazione testuale, contenuto estratto, codice o un passaggio proposto per uno strumento; l’input visivo di questa edizione non è un flusso di generazione di video o parlato.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Reason about a written interface layout\n\nUse this textual layout description: a dialog contains a title at the top, a long message in the middle and Cancel/Confirm buttons at the bottom. On a short screen, only the message area should scroll; both buttons must stay visible. Propose HTML and CSS structure and explain the height constraints. Do not assume an image was supplied.An editable HTML/CSS proposal and a short explanation of which region scrolls.Check the proposed structure limits message overflow while keeping both actions outside that scroll area.Qwen/Qwen3-VL-8B-ThinkingQwen3-VL-8B-Thinking è l’edizione visivo-linguistica 8B di Qwen incentrata sul ragionamento. Combina testo, immagini e video per risoluzione di problemi visivi, interpretazione documentale, analisi spaziale e generazione di codice da riferimenti visivi.
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.
Qwen3-VL-8B-Thinking è l’edizione densa 8B incentrata sul ragionamento della famiglia Qwen3-VL di Alibaba. Combina testo, immagini e video in un’attività condivisa e genera testo. Qwen rilascia separatamente edizioni Thinking e Instruct; questa scheda riguarda il modello denominato Thinking, il cui scopo include l’analisi delle evidenze visive prima della risposta. Il lavoro solo testuale fa anch’esso parte delle capacità linguistiche del modello.
Il produttore presenta prima gli agenti visivi: il modello può riconoscere elementi di interfacce desktop o mobili, interpretarne le funzioni e ragionare sull’interazione successiva. In un’applicazione, gli screenshot forniscono lo stato attuale e gli strumenti eseguono le azioni selezionate. Un brief utile fornisce l’obiettivo dell’utente, la schermata visibile e le azioni consentite, quindi chiede il passaggio successivo e l’elemento che lo giustifica. L’interpretazione generata è distinta da un’azione eseguita dall’applicazione circostante.
La programmazione visiva collega immagini o video di riferimento a codice testuale. Qwen documenta diagrammi Draw.io e HTML, CSS e JavaScript come esempi di output. Fornire uno screenshot o uno schizzo insieme a comportamento, contenuto e layout di destinazione richiesti; richiedere un artefatto di codice o diagramma modificabile. Per il lavoro spaziale, la famiglia descrive posizione degli oggetti, punto di vista e occlusione, con ancoraggio spaziale 2D e 3D. Indicare la convenzione delle coordinate quando servono posizioni, affinché una posizione descritta e un riquadro richiesto usino lo stesso riferimento.
Il contesto nativo è di 256K token per testo e materiale visivo intercalato. La scheda descrive anche l’espansione a un milione di token, che è un’estensione configurata separata anziché la specifica del contesto nativo. Le applicazioni a contesto lungo includono collegare riferimenti fra pagine di documenti e localizzare eventi nei video. Preservare ordine delle pagine e timestamp video nella preparazione dell’input e chiedere che la risposta identifichi la pagina o il momento usato per ogni conclusione.
Il ragionamento multimodale copre attività matematiche e scientifiche che richiedono sia il materiale visibile sia la relativa domanda scritta. La famiglia supporta anche un ampio riconoscimento visivo di oggetti, prodotti, luoghi di interesse, piante e animali. La copertura OCR comprende 32 lingue e include immagini difficili con scarsa luce, sfocatura o inclinazione, insieme all’interpretazione della struttura documentale. Per un problema scansionato, chiedere prima una trascrizione e poi una soluzione; questo rende visibile un segno o un’etichetta letti male prima che alterino il ragionamento.
Tre aggiornamenti architetturali supportano questo lavoro visivo e temporale. Interleaved-MRoPE distribuisce le informazioni posizionali fra tempo, larghezza e altezza; DeepStack introduce nel modello linguistico caratteristiche visive provenienti da più livelli; timestamp testuali espliciti rappresentano la posizione temporale dei gruppi di fotogrammi video. La loro rilevanza pratica è preservare il dettaglio spaziale e collegare la descrizione di un evento a un momento della fonte. Non trasformano un dettaglio sorgente piccolo o illeggibile in un riconoscimento garantito.
La scheda specifica del modello Thinking fornisce raccomandazioni di generazione separate per attività visive e testuali. Entrambe usano campionamento con temperature 1.0, top-p 0.95 e top-k 20; l’esempio visivo usa penalità di presenza 0.0, mentre quello testuale usa 1.5. Le impostazioni di esempio della lunghezza dell’output sono 40,960 per il lavoro visivo e 32,768 per il testo, con 81,920 suggeriti per determinate valutazioni testuali impegnative. Sono raccomandazioni di ottimizzazione, non una garanzia universale di output massimo né parametri necessariamente esposti dal servizio circostante.
Per un’attività documentale pratica, fornire immagini di pagina ordinate e chiedere: “Estrarre le intestazioni delle sezioni, spiegare la relazione fra il diagramma e il testo adiacente e allegare un riferimento di pagina a ogni risultato.” Per un video, definire l’evento da localizzare e richiedere il timestamp più una breve spiegazione visiva. Per una domanda di ragionamento visivo, indicare l’artefatto finale richiesto e le ipotesi consentite. L’output resta una spiegazione testuale, contenuto estratto, codice o un passaggio proposto per uno strumento; l’input visivo di questa edizione non è un flusso di generazione di video o parlato.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti Qwen/Qwen3-VL-8B-Thinking | 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.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.000144 / 1K token Output · Token in output $0.00143 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${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-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='Qwen/Qwen3-VL-8B-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='Qwen/Qwen3-VL-8B-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 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-Thinking
Usa i percorsi dei metodi indicati sopra.
Qwen/Qwen3-VL-8B-ThinkingQwen3-VL-8B-Thinking è l’edizione visivo-linguistica 8B di Qwen incentrata sul ragionamento. Combina testo, immagini e video per risoluzione di problemi visivi, interpretazione documentale, analisi spaziale e generazione di codice da riferimenti visivi.
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.
Qwen3-VL-8B-Thinking è l’edizione densa 8B incentrata sul ragionamento della famiglia Qwen3-VL di Alibaba. Combina testo, immagini e video in un’attività condivisa e genera testo. Qwen rilascia separatamente edizioni Thinking e Instruct; questa scheda riguarda il modello denominato Thinking, il cui scopo include l’analisi delle evidenze visive prima della risposta. Il lavoro solo testuale fa anch’esso parte delle capacità linguistiche del modello.
Il produttore presenta prima gli agenti visivi: il modello può riconoscere elementi di interfacce desktop o mobili, interpretarne le funzioni e ragionare sull’interazione successiva. In un’applicazione, gli screenshot forniscono lo stato attuale e gli strumenti eseguono le azioni selezionate. Un brief utile fornisce l’obiettivo dell’utente, la schermata visibile e le azioni consentite, quindi chiede il passaggio successivo e l’elemento che lo giustifica. L’interpretazione generata è distinta da un’azione eseguita dall’applicazione circostante.
La programmazione visiva collega immagini o video di riferimento a codice testuale. Qwen documenta diagrammi Draw.io e HTML, CSS e JavaScript come esempi di output. Fornire uno screenshot o uno schizzo insieme a comportamento, contenuto e layout di destinazione richiesti; richiedere un artefatto di codice o diagramma modificabile. Per il lavoro spaziale, la famiglia descrive posizione degli oggetti, punto di vista e occlusione, con ancoraggio spaziale 2D e 3D. Indicare la convenzione delle coordinate quando servono posizioni, affinché una posizione descritta e un riquadro richiesto usino lo stesso riferimento.
Il contesto nativo è di 256K token per testo e materiale visivo intercalato. La scheda descrive anche l’espansione a un milione di token, che è un’estensione configurata separata anziché la specifica del contesto nativo. Le applicazioni a contesto lungo includono collegare riferimenti fra pagine di documenti e localizzare eventi nei video. Preservare ordine delle pagine e timestamp video nella preparazione dell’input e chiedere che la risposta identifichi la pagina o il momento usato per ogni conclusione.
Il ragionamento multimodale copre attività matematiche e scientifiche che richiedono sia il materiale visibile sia la relativa domanda scritta. La famiglia supporta anche un ampio riconoscimento visivo di oggetti, prodotti, luoghi di interesse, piante e animali. La copertura OCR comprende 32 lingue e include immagini difficili con scarsa luce, sfocatura o inclinazione, insieme all’interpretazione della struttura documentale. Per un problema scansionato, chiedere prima una trascrizione e poi una soluzione; questo rende visibile un segno o un’etichetta letti male prima che alterino il ragionamento.
Tre aggiornamenti architetturali supportano questo lavoro visivo e temporale. Interleaved-MRoPE distribuisce le informazioni posizionali fra tempo, larghezza e altezza; DeepStack introduce nel modello linguistico caratteristiche visive provenienti da più livelli; timestamp testuali espliciti rappresentano la posizione temporale dei gruppi di fotogrammi video. La loro rilevanza pratica è preservare il dettaglio spaziale e collegare la descrizione di un evento a un momento della fonte. Non trasformano un dettaglio sorgente piccolo o illeggibile in un riconoscimento garantito.
La scheda specifica del modello Thinking fornisce raccomandazioni di generazione separate per attività visive e testuali. Entrambe usano campionamento con temperature 1.0, top-p 0.95 e top-k 20; l’esempio visivo usa penalità di presenza 0.0, mentre quello testuale usa 1.5. Le impostazioni di esempio della lunghezza dell’output sono 40,960 per il lavoro visivo e 32,768 per il testo, con 81,920 suggeriti per determinate valutazioni testuali impegnative. Sono raccomandazioni di ottimizzazione, non una garanzia universale di output massimo né parametri necessariamente esposti dal servizio circostante.
Per un’attività documentale pratica, fornire immagini di pagina ordinate e chiedere: “Estrarre le intestazioni delle sezioni, spiegare la relazione fra il diagramma e il testo adiacente e allegare un riferimento di pagina a ogni risultato.” Per un video, definire l’evento da localizzare e richiedere il timestamp più una breve spiegazione visiva. Per una domanda di ragionamento visivo, indicare l’artefatto finale richiesto e le ipotesi consentite. L’output resta una spiegazione testuale, contenuto estratto, codice o un passaggio proposto per uno strumento; l’input visivo di questa edizione non è un flusso di generazione di video o parlato.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti Qwen/Qwen3-VL-8B-Thinking | 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.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.000144 / 1K token Output · Token in output $0.00143 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "Qwen/Qwen3-VL-8B-Thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-8B-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-8B-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 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-Thinking
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Reason about a written interface layout\n\nUse this textual layout description: a dialog contains a title at the top, a long message in the middle and Cancel/Confirm buttons at the bottom. On a short screen, only the message area should scroll; both buttons must stay visible. Propose HTML and CSS structure and explain the height constraints. Do not assume an image was supplied.An editable HTML/CSS proposal and a short explanation of which region scrolls.Check the proposed structure limits message overflow while keeping both actions outside that scroll area.