소개: 멀티모달 Thinking 버전
Qwen3-VL-235B-A22B-Thinking은 Qwen3-VL의 추론 중심 전문가 혼합 버전입니다. 텍스트를 이미지 및 비디오와 결합해 텍스트 답변이나 코드를 생성합니다. 고정된 Thinking 체크포인트는 Qwen3-VL-235B-A22B-Instruct 및 별도로 이름이 지정된 FP8 빌드와 구분됩니다. 모든 Qwen3-VL 버전의 응답 스타일이 같다고 가정하기보다, 시각 근거를 긴 설명과 연결해야 하는 질문에 선택하세요.
시각 에이전트와 시각 코딩
Qwen은 컴퓨터 또는 모바일 인터페이스의 요소를 인식하고 기능을 해석하며 도구와 함께 작업을 완수하는 시각 에이전트 작업 흐름을 설명합니다. 모델이 지각과 추론을 제공하고 애플리케이션이 작업을 연결해 실행해야 합니다. 인터페이스 검토에서는 현재 스크린샷과 구체적인 목표를 제공한 뒤 관련 제어를 식별하고 다음 작업을 설명하도록 요청하세요. 이미지만으로 기기를 제어할 수 있는 것은 아닙니다.
시각 코딩에는 이미지와 비디오에서 도식 콘텐츠 및 HTML, CSS, JavaScript를 생성하는 작업이 포함됩니다. 필요한 레이아웃, 동작, 편집 가능한 출력 형식과 함께 스크린샷을 제공하세요. 검토가 더 쉬워진다면 페이지 구조와 스타일을 별도 산출물로 요청하세요. 생성된 코드는 개발 작업 흐름에 사용할 텍스트이며 웹사이트가 렌더링되었거나 원본 이미지가 작동하는 애플리케이션이 되었다는 근거는 아닙니다.
공간 지각
제작사는 2차원 그라운딩과 3차원 그라운딩 지원을 통해 객체 위치, 시점, 가림에 대한 추론을 문서화합니다. 구체적인 관계 질문을 하고 관심 객체를 지정하세요. 예를 들어 어떤 부품이 가려졌는지, 그 앞에 무엇이 있는지, 어떤 시각 단서가 해석을 뒷받침하는지 질문할 수 있습니다. 그라운딩 능력을 임의의 사진에서 보정된 물리 측정을 하는 능력으로 취급해서는 안 됩니다.
긴 컨텍스트와 비디오
네이티브 컨텍스트는 262,144토큰입니다. Qwen은 YaRN 구성을 통해 약 1M 토큰으로 확장하는 방법과, 초 단위 사건 인덱싱을 사용해 책이나 수 시간 길이의 비디오를 처리하는 제품군 작업 흐름을 설명합니다. 이러한 능력은 표현 방식, 프레임 샘플링, 컨텍스트 구성에 따라 달라집니다. 제작사의 폭넓은 설명이 모든 프레임을 완벽히 기억한다고 보장하지는 않습니다. Qwen 저장소는 이 인터리브 위치 체계에서 256K를 약 1M으로 확장할 때 다른 모델의 계수 4를 자동으로 복사하지 말고 외삽 계수 2 또는 3을 사용할 것을 권장합니다.
멀티모달 추론과 인식
Thinking 버전은 텍스트와 시각 자료를 연결하는 근거 기반 STEM 및 수학 추론, 인과 분석, 논리 답변을 대상으로 합니다. 도식과 정의 또는 차트와 정확한 수치 질문을 함께 제공하세요. 결론 전에 사용한 레이블과 값을 요청하세요. Qwen은 사람, 애니메이션, 제품, 랜드마크, 식물, 동물에 대한 더 폭넓은 시각 인식도 설명합니다. 인식 답변은 제공된 이미지에서 도출한 추론이며 모든 객체나 신원의 이름을 알아낼 수 있다는 보장이 아닙니다.
OCR은 32개 언어를 다루며 전문 용어와 긴 문서 구조를 포함해 저조도, 흐림, 기울어짐이 있는 상황에서 읽기를 개선하도록 설계되었습니다. 읽을 수 있는 원본 이미지를 보존하고 확인 가능한 필드, 인용문, 구조화된 표를 요청하세요. 텍스트와 시각 이해가 하나의 모델에 결합되어 있으므로 질문에서 문서 구절, 그림, 사용자의 지시를 함께 참조할 수 있습니다.
아키텍처 변경
Interleaved-MRoPE는 비디오 추론을 위해 시간, 너비, 높이 전반에 위치 표현을 분산합니다. DeepStack은 여러 인코더 수준의 시각 특징을 결합해 세부 사항을 포착하고 이미지와 텍스트의 정렬을 개선합니다. 텍스트와 타임스탬프의 정렬은 사건을 시간 참조에 연결합니다. 배포된 텍스트 구성에는 레이어 94개, 전문가 128개가 있으며 토큰당 전문가 8개를 선택합니다. 이러한 아키텍처 세부 사항은 모델의 멀티모달 표현을 설명하며 응답 시간을 보장하지는 않습니다.
시각 입력과 출력 준비하기
제작사 예제는 단일 또는 여러 이미지, 비디오, 텍스트 전용 요청을 다룹니다. 질문이 각 시각 입력을 명확히 참조할 수 있도록 식별자를 붙이세요. 이미지와 비디오 프로세서는 별도의 픽셀 예산을 사용합니다. 이미지 예산은 이미지 픽셀을 제한하고 비디오 예산은 샘플링한 프레임 전체의 픽셀을 계산합니다. 명시적인 이미지 크기는 32의 배수에 맞춥니다. 비디오 샘플링은 샘플링률 또는 프레임 수로 제어할 수 있고, 문서화된 기본값은 초당 2프레임입니다. 사건 타임라인을 요청할 때는 타임스탬프를 유지하세요.
긴 클립에서는 구분 없는 요약 대신 사건, 시간 구간, 눈에 보이는 근거를 요청하세요. 여러 페이지에서는 페이지 식별자에 따라 정리된 결과를 요청하세요. 이러한 준비 예제는 문서화된 능력을 적용하며 누락이나 추출 오류를 드러내는 데 도움이 됩니다.
생성 지침과 한도
체크포인트 생성 파일의 기본값은 temperature 0.8, top_p 0.95, top_k 20입니다. Qwen의 별도 Thinking 평가 방법은 temperature 0.6, presence penalty 0, repetition penalty 1.0, 출력 한도 40,960토큰을 사용합니다. 이는 서로 다른 제작사 사전 설정이며 하나의 확정된 출력 상한이 아닙니다. 시각 토큰과 함께 추론 및 최종 텍스트를 위한 공간을 확보하고, 추출한 텍스트, 계산한 답변, 생성한 코드를 사용 전에 원문과 대조해 검증하세요.
", "aboutText": "소개: 멀티모달 Thinking 버전\n\nQwen3-VL-235B-A22B-Thinking은 Qwen3-VL의 추론 중심 전문가 혼합 버전입니다. 텍스트를 이미지 및 비디오와 결합해 텍스트 답변이나 코드를 생성합니다. 고정된 Thinking 체크포인트는 Qwen3-VL-235B-A22B-Instruct 및 별도로 이름이 지정된 FP8 빌드와 구분됩니다. 모든 Qwen3-VL 버전의 응답 스타일이 같다고 가정하기보다, 시각 근거를 긴 설명과 연결해야 하는 질문에 선택하세요.\n\n시각 에이전트와 시각 코딩\n\nQwen은 컴퓨터 또는 모바일 인터페이스의 요소를 인식하고 기능을 해석하며 도구와 함께 작업을 완수하는 시각 에이전트 작업 흐름을 설명합니다. 모델이 지각과 추론을 제공하고 애플리케이션이 작업을 연결해 실행해야 합니다. 인터페이스 검토에서는 현재 스크린샷과 구체적인 목표를 제공한 뒤 관련 제어를 식별하고 다음 작업을 설명하도록 요청하세요. 이미지만으로 기기를 제어할 수 있는 것은 아닙니다.\n\n시각 코딩에는 이미지와 비디오에서 도식 콘텐츠 및 HTML, CSS, JavaScript를 생성하는 작업이 포함됩니다. 필요한 레이아웃, 동작, 편집 가능한 출력 형식과 함께 스크린샷을 제공하세요. 검토가 더 쉬워진다면 페이지 구조와 스타일을 별도 산출물로 요청하세요. 생성된 코드는 개발 작업 흐름에 사용할 텍스트이며 웹사이트가 렌더링되었거나 원본 이미지가 작동하는 애플리케이션이 되었다는 근거는 아닙니다.\n\n공간 지각\n\n제작사는 2차원 그라운딩과 3차원 그라운딩 지원을 통해 객체 위치, 시점, 가림에 대한 추론을 문서화합니다. 구체적인 관계 질문을 하고 관심 객체를 지정하세요. 예를 들어 어떤 부품이 가려졌는지, 그 앞에 무엇이 있는지, 어떤 시각 단서가 해석을 뒷받침하는지 질문할 수 있습니다. 그라운딩 능력을 임의의 사진에서 보정된 물리 측정을 하는 능력으로 취급해서는 안 됩니다.\n\n긴 컨텍스트와 비디오\n\n네이티브 컨텍스트는 262,144토큰입니다. Qwen은 YaRN 구성을 통해 약 1M 토큰으로 확장하는 방법과, 초 단위 사건 인덱싱을 사용해 책이나 수 시간 길이의 비디오를 처리하는 제품군 작업 흐름을 설명합니다. 이러한 능력은 표현 방식, 프레임 샘플링, 컨텍스트 구성에 따라 달라집니다. 제작사의 폭넓은 설명이 모든 프레임을 완벽히 기억한다고 보장하지는 않습니다. Qwen 저장소는 이 인터리브 위치 체계에서 256K를 약 1M으로 확장할 때 다른 모델의 계수 4를 자동으로 복사하지 말고 외삽 계수 2 또는 3을 사용할 것을 권장합니다.\n\n멀티모달 추론과 인식\n\nThinking 버전은 텍스트와 시각 자료를 연결하는 근거 기반 STEM 및 수학 추론, 인과 분석, 논리 답변을 대상으로 합니다. 도식과 정의 또는 차트와 정확한 수치 질문을 함께 제공하세요. 결론 전에 사용한 레이블과 값을 요청하세요. Qwen은 사람, 애니메이션, 제품, 랜드마크, 식물, 동물에 대한 더 폭넓은 시각 인식도 설명합니다. 인식 답변은 제공된 이미지에서 도출한 추론이며 모든 객체나 신원의 이름을 알아낼 수 있다는 보장이 아닙니다.\n\nOCR은 32개 언어를 다루며 전문 용어와 긴 문서 구조를 포함해 저조도, 흐림, 기울어짐이 있는 상황에서 읽기를 개선하도록 설계되었습니다. 읽을 수 있는 원본 이미지를 보존하고 확인 가능한 필드, 인용문, 구조화된 표를 요청하세요. 텍스트와 시각 이해가 하나의 모델에 결합되어 있으므로 질문에서 문서 구절, 그림, 사용자의 지시를 함께 참조할 수 있습니다.\n\n아키텍처 변경\n\nInterleaved-MRoPE는 비디오 추론을 위해 시간, 너비, 높이 전반에 위치 표현을 분산합니다. DeepStack은 여러 인코더 수준의 시각 특징을 결합해 세부 사항을 포착하고 이미지와 텍스트의 정렬을 개선합니다. 텍스트와 타임스탬프의 정렬은 사건을 시간 참조에 연결합니다. 배포된 텍스트 구성에는 레이어 94개, 전문가 128개가 있으며 토큰당 전문가 8개를 선택합니다. 이러한 아키텍처 세부 사항은 모델의 멀티모달 표현을 설명하며 응답 시간을 보장하지는 않습니다.\n\n시각 입력과 출력 준비하기\n\n제작사 예제는 단일 또는 여러 이미지, 비디오, 텍스트 전용 요청을 다룹니다. 질문이 각 시각 입력을 명확히 참조할 수 있도록 식별자를 붙이세요. 이미지와 비디오 프로세서는 별도의 픽셀 예산을 사용합니다. 이미지 예산은 이미지 픽셀을 제한하고 비디오 예산은 샘플링한 프레임 전체의 픽셀을 계산합니다. 명시적인 이미지 크기는 32의 배수에 맞춥니다. 비디오 샘플링은 샘플링률 또는 프레임 수로 제어할 수 있고, 문서화된 기본값은 초당 2프레임입니다. 사건 타임라인을 요청할 때는 타임스탬프를 유지하세요.\n\n긴 클립에서는 구분 없는 요약 대신 사건, 시간 구간, 눈에 보이는 근거를 요청하세요. 여러 페이지에서는 페이지 식별자에 따라 정리된 결과를 요청하세요. 이러한 준비 예제는 문서화된 능력을 적용하며 누락이나 추출 오류를 드러내는 데 도움이 됩니다.\n\n생성 지침과 한도\n\n체크포인트 생성 파일의 기본값은 temperature 0.8, top_p 0.95, top_k 20입니다. Qwen의 별도 Thinking 평가 방법은 temperature 0.6, presence penalty 0, repetition penalty 1.0, 출력 한도 40,960토큰을 사용합니다. 이는 서로 다른 제작사 사전 설정이며 하나의 확정된 출력 상한이 아닙니다. 시각 토큰과 함께 추론 및 최종 텍스트를 위한 공간을 확보하고, 추출한 텍스트, 계산한 답변, 생성한 코드를 사용 전에 원문과 대조해 검증하세요.", "editorialOverlay": { "copy_fields": { "practical_html": "영어 기술 예제
Reason from a textual circuit description\n\nUse this textual circuit description: an ideal 12 V source powers two series resistors, R1 = 2 Ω and R2 = 4 Ω. Calculate total resistance, current and voltage across each resistor. State the ideal-component assumptions and verify that the voltage drops sum to the source voltage. Return a compact worked solution using the labels R1 and R2.A labeled worked calculation and a voltage-sum consistency check.The same series current is used for both resistors and the stated voltage drops sum to 12 V.qwen/qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking은 텍스트, 이미지, 비디오 추론을 위한 Qwen의 전문가 혼합 시각 언어 모델입니다. 네이티브 262,144토큰 컨텍스트에서 STEM 질문, 문서 근거, 공간 관계, 시각 코딩, 타임스탬프가 있는 비디오 분석에 Thinking 버전을 사용하세요.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
소개: 멀티모달 Thinking 버전
Qwen3-VL-235B-A22B-Thinking은 Qwen3-VL의 추론 중심 전문가 혼합 버전입니다. 텍스트를 이미지 및 비디오와 결합해 텍스트 답변이나 코드를 생성합니다. 고정된 Thinking 체크포인트는 Qwen3-VL-235B-A22B-Instruct 및 별도로 이름이 지정된 FP8 빌드와 구분됩니다. 모든 Qwen3-VL 버전의 응답 스타일이 같다고 가정하기보다, 시각 근거를 긴 설명과 연결해야 하는 질문에 선택하세요.
시각 에이전트와 시각 코딩
Qwen은 컴퓨터 또는 모바일 인터페이스의 요소를 인식하고 기능을 해석하며 도구와 함께 작업을 완수하는 시각 에이전트 작업 흐름을 설명합니다. 모델이 지각과 추론을 제공하고 애플리케이션이 작업을 연결해 실행해야 합니다. 인터페이스 검토에서는 현재 스크린샷과 구체적인 목표를 제공한 뒤 관련 제어를 식별하고 다음 작업을 설명하도록 요청하세요. 이미지만으로 기기를 제어할 수 있는 것은 아닙니다.
시각 코딩에는 이미지와 비디오에서 도식 콘텐츠 및 HTML, CSS, JavaScript를 생성하는 작업이 포함됩니다. 필요한 레이아웃, 동작, 편집 가능한 출력 형식과 함께 스크린샷을 제공하세요. 검토가 더 쉬워진다면 페이지 구조와 스타일을 별도 산출물로 요청하세요. 생성된 코드는 개발 작업 흐름에 사용할 텍스트이며 웹사이트가 렌더링되었거나 원본 이미지가 작동하는 애플리케이션이 되었다는 근거는 아닙니다.
공간 지각
제작사는 2차원 그라운딩과 3차원 그라운딩 지원을 통해 객체 위치, 시점, 가림에 대한 추론을 문서화합니다. 구체적인 관계 질문을 하고 관심 객체를 지정하세요. 예를 들어 어떤 부품이 가려졌는지, 그 앞에 무엇이 있는지, 어떤 시각 단서가 해석을 뒷받침하는지 질문할 수 있습니다. 그라운딩 능력을 임의의 사진에서 보정된 물리 측정을 하는 능력으로 취급해서는 안 됩니다.
긴 컨텍스트와 비디오
네이티브 컨텍스트는 262,144토큰입니다. Qwen은 YaRN 구성을 통해 약 1M 토큰으로 확장하는 방법과, 초 단위 사건 인덱싱을 사용해 책이나 수 시간 길이의 비디오를 처리하는 제품군 작업 흐름을 설명합니다. 이러한 능력은 표현 방식, 프레임 샘플링, 컨텍스트 구성에 따라 달라집니다. 제작사의 폭넓은 설명이 모든 프레임을 완벽히 기억한다고 보장하지는 않습니다. Qwen 저장소는 이 인터리브 위치 체계에서 256K를 약 1M으로 확장할 때 다른 모델의 계수 4를 자동으로 복사하지 말고 외삽 계수 2 또는 3을 사용할 것을 권장합니다.
멀티모달 추론과 인식
Thinking 버전은 텍스트와 시각 자료를 연결하는 근거 기반 STEM 및 수학 추론, 인과 분석, 논리 답변을 대상으로 합니다. 도식과 정의 또는 차트와 정확한 수치 질문을 함께 제공하세요. 결론 전에 사용한 레이블과 값을 요청하세요. Qwen은 사람, 애니메이션, 제품, 랜드마크, 식물, 동물에 대한 더 폭넓은 시각 인식도 설명합니다. 인식 답변은 제공된 이미지에서 도출한 추론이며 모든 객체나 신원의 이름을 알아낼 수 있다는 보장이 아닙니다.
OCR은 32개 언어를 다루며 전문 용어와 긴 문서 구조를 포함해 저조도, 흐림, 기울어짐이 있는 상황에서 읽기를 개선하도록 설계되었습니다. 읽을 수 있는 원본 이미지를 보존하고 확인 가능한 필드, 인용문, 구조화된 표를 요청하세요. 텍스트와 시각 이해가 하나의 모델에 결합되어 있으므로 질문에서 문서 구절, 그림, 사용자의 지시를 함께 참조할 수 있습니다.
아키텍처 변경
Interleaved-MRoPE는 비디오 추론을 위해 시간, 너비, 높이 전반에 위치 표현을 분산합니다. DeepStack은 여러 인코더 수준의 시각 특징을 결합해 세부 사항을 포착하고 이미지와 텍스트의 정렬을 개선합니다. 텍스트와 타임스탬프의 정렬은 사건을 시간 참조에 연결합니다. 배포된 텍스트 구성에는 레이어 94개, 전문가 128개가 있으며 토큰당 전문가 8개를 선택합니다. 이러한 아키텍처 세부 사항은 모델의 멀티모달 표현을 설명하며 응답 시간을 보장하지는 않습니다.
시각 입력과 출력 준비하기
제작사 예제는 단일 또는 여러 이미지, 비디오, 텍스트 전용 요청을 다룹니다. 질문이 각 시각 입력을 명확히 참조할 수 있도록 식별자를 붙이세요. 이미지와 비디오 프로세서는 별도의 픽셀 예산을 사용합니다. 이미지 예산은 이미지 픽셀을 제한하고 비디오 예산은 샘플링한 프레임 전체의 픽셀을 계산합니다. 명시적인 이미지 크기는 32의 배수에 맞춥니다. 비디오 샘플링은 샘플링률 또는 프레임 수로 제어할 수 있고, 문서화된 기본값은 초당 2프레임입니다. 사건 타임라인을 요청할 때는 타임스탬프를 유지하세요.
긴 클립에서는 구분 없는 요약 대신 사건, 시간 구간, 눈에 보이는 근거를 요청하세요. 여러 페이지에서는 페이지 식별자에 따라 정리된 결과를 요청하세요. 이러한 준비 예제는 문서화된 능력을 적용하며 누락이나 추출 오류를 드러내는 데 도움이 됩니다.
생성 지침과 한도
체크포인트 생성 파일의 기본값은 temperature 0.8, top_p 0.95, top_k 20입니다. Qwen의 별도 Thinking 평가 방법은 temperature 0.6, presence penalty 0, repetition penalty 1.0, 출력 한도 40,960토큰을 사용합니다. 이는 서로 다른 제작사 사전 설정이며 하나의 확정된 출력 상한이 아닙니다. 시각 토큰과 함께 추론 및 최종 텍스트를 위한 공간을 확보하고, 추출한 텍스트, 계산한 답변, 생성한 코드를 사용 전에 원문과 대조해 검증하세요.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 qwen/qwen3-vl-235b-a22b-thinking | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 최소 항목 수: 1 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 모델에 따라 다름 | 기본값— |
필드messages[].content | 유형string | 요건선택 사항 | 값과 한도 적용 조건: 텍스트 대화 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
텍스트 · UTF8 텍스트
messages[].content
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세model, messages |
매개변수material_types | 명세text |
매개변수messages | 명세role/content 형식의 메시지 배열 |
매개변수file_material | 명세실제 UTF-8 문서를 텍스트로 그대로 삽입합니다. 파일 ID는 추정하지 않습니다 |
매개변수optional_controls | 명세stream |
매개변수control_scope | 명세텍스트 대화. stream은 불리언이며 기본값은 false입니다. |
매개변수output_modalities | 명세text |
매개변수hosted_operations | 명세false |
매개변수multimodal_input_binding | 명세null |
메서드 별칭: /chat/completions
수명 주기: synchronous_or_streamed
정확한 모델 ID를 messages와 함께 보내세요.
컨텍스트 길이는 출력 상한이 아닙니다.
텍스트 파일은 텍스트를 그대로 제공할 수 있습니다. 이미지/오디오/파일 객체 입력에는 정확한 바인딩이 필요합니다.
요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.
| 설정 | 요금표 | 요금 |
|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 요금 입력 · 입력 토큰 $0.000572 / 1K 토큰 출력 · 출력 토큰 $0.00572 / 1K 토큰 입력 · 캐시 읽기 $0 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"qwen/qwen3-vl-235b-a22b-thinking","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="qwen/qwen3-vl-235b-a22b-thinking", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
각 선택지와 그 콘텐츠·도구 호출·추론을 모두 보존하세요. SSE에서는 선택지/도구 인덱스별로 증분을 조합하고 최종 종료 사유와 사용량을 유지하세요.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드choices[].index | 유형integer |
필드choices[].message.content | 유형string|null |
필드choices[].message.tool_calls | 유형tool_call[] |
필드choices[].message.reasoning_content | 유형string |
필드choices[].message.reasoning_details | 유형object|array |
필드choices[].finish_reason | 유형string|null |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
qwen/qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking은 텍스트, 이미지, 비디오 추론을 위한 Qwen의 전문가 혼합 시각 언어 모델입니다. 네이티브 262,144토큰 컨텍스트에서 STEM 질문, 문서 근거, 공간 관계, 시각 코딩, 타임스탬프가 있는 비디오 분석에 Thinking 버전을 사용하세요.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
소개: 멀티모달 Thinking 버전
Qwen3-VL-235B-A22B-Thinking은 Qwen3-VL의 추론 중심 전문가 혼합 버전입니다. 텍스트를 이미지 및 비디오와 결합해 텍스트 답변이나 코드를 생성합니다. 고정된 Thinking 체크포인트는 Qwen3-VL-235B-A22B-Instruct 및 별도로 이름이 지정된 FP8 빌드와 구분됩니다. 모든 Qwen3-VL 버전의 응답 스타일이 같다고 가정하기보다, 시각 근거를 긴 설명과 연결해야 하는 질문에 선택하세요.
시각 에이전트와 시각 코딩
Qwen은 컴퓨터 또는 모바일 인터페이스의 요소를 인식하고 기능을 해석하며 도구와 함께 작업을 완수하는 시각 에이전트 작업 흐름을 설명합니다. 모델이 지각과 추론을 제공하고 애플리케이션이 작업을 연결해 실행해야 합니다. 인터페이스 검토에서는 현재 스크린샷과 구체적인 목표를 제공한 뒤 관련 제어를 식별하고 다음 작업을 설명하도록 요청하세요. 이미지만으로 기기를 제어할 수 있는 것은 아닙니다.
시각 코딩에는 이미지와 비디오에서 도식 콘텐츠 및 HTML, CSS, JavaScript를 생성하는 작업이 포함됩니다. 필요한 레이아웃, 동작, 편집 가능한 출력 형식과 함께 스크린샷을 제공하세요. 검토가 더 쉬워진다면 페이지 구조와 스타일을 별도 산출물로 요청하세요. 생성된 코드는 개발 작업 흐름에 사용할 텍스트이며 웹사이트가 렌더링되었거나 원본 이미지가 작동하는 애플리케이션이 되었다는 근거는 아닙니다.
공간 지각
제작사는 2차원 그라운딩과 3차원 그라운딩 지원을 통해 객체 위치, 시점, 가림에 대한 추론을 문서화합니다. 구체적인 관계 질문을 하고 관심 객체를 지정하세요. 예를 들어 어떤 부품이 가려졌는지, 그 앞에 무엇이 있는지, 어떤 시각 단서가 해석을 뒷받침하는지 질문할 수 있습니다. 그라운딩 능력을 임의의 사진에서 보정된 물리 측정을 하는 능력으로 취급해서는 안 됩니다.
긴 컨텍스트와 비디오
네이티브 컨텍스트는 262,144토큰입니다. Qwen은 YaRN 구성을 통해 약 1M 토큰으로 확장하는 방법과, 초 단위 사건 인덱싱을 사용해 책이나 수 시간 길이의 비디오를 처리하는 제품군 작업 흐름을 설명합니다. 이러한 능력은 표현 방식, 프레임 샘플링, 컨텍스트 구성에 따라 달라집니다. 제작사의 폭넓은 설명이 모든 프레임을 완벽히 기억한다고 보장하지는 않습니다. Qwen 저장소는 이 인터리브 위치 체계에서 256K를 약 1M으로 확장할 때 다른 모델의 계수 4를 자동으로 복사하지 말고 외삽 계수 2 또는 3을 사용할 것을 권장합니다.
멀티모달 추론과 인식
Thinking 버전은 텍스트와 시각 자료를 연결하는 근거 기반 STEM 및 수학 추론, 인과 분석, 논리 답변을 대상으로 합니다. 도식과 정의 또는 차트와 정확한 수치 질문을 함께 제공하세요. 결론 전에 사용한 레이블과 값을 요청하세요. Qwen은 사람, 애니메이션, 제품, 랜드마크, 식물, 동물에 대한 더 폭넓은 시각 인식도 설명합니다. 인식 답변은 제공된 이미지에서 도출한 추론이며 모든 객체나 신원의 이름을 알아낼 수 있다는 보장이 아닙니다.
OCR은 32개 언어를 다루며 전문 용어와 긴 문서 구조를 포함해 저조도, 흐림, 기울어짐이 있는 상황에서 읽기를 개선하도록 설계되었습니다. 읽을 수 있는 원본 이미지를 보존하고 확인 가능한 필드, 인용문, 구조화된 표를 요청하세요. 텍스트와 시각 이해가 하나의 모델에 결합되어 있으므로 질문에서 문서 구절, 그림, 사용자의 지시를 함께 참조할 수 있습니다.
아키텍처 변경
Interleaved-MRoPE는 비디오 추론을 위해 시간, 너비, 높이 전반에 위치 표현을 분산합니다. DeepStack은 여러 인코더 수준의 시각 특징을 결합해 세부 사항을 포착하고 이미지와 텍스트의 정렬을 개선합니다. 텍스트와 타임스탬프의 정렬은 사건을 시간 참조에 연결합니다. 배포된 텍스트 구성에는 레이어 94개, 전문가 128개가 있으며 토큰당 전문가 8개를 선택합니다. 이러한 아키텍처 세부 사항은 모델의 멀티모달 표현을 설명하며 응답 시간을 보장하지는 않습니다.
시각 입력과 출력 준비하기
제작사 예제는 단일 또는 여러 이미지, 비디오, 텍스트 전용 요청을 다룹니다. 질문이 각 시각 입력을 명확히 참조할 수 있도록 식별자를 붙이세요. 이미지와 비디오 프로세서는 별도의 픽셀 예산을 사용합니다. 이미지 예산은 이미지 픽셀을 제한하고 비디오 예산은 샘플링한 프레임 전체의 픽셀을 계산합니다. 명시적인 이미지 크기는 32의 배수에 맞춥니다. 비디오 샘플링은 샘플링률 또는 프레임 수로 제어할 수 있고, 문서화된 기본값은 초당 2프레임입니다. 사건 타임라인을 요청할 때는 타임스탬프를 유지하세요.
긴 클립에서는 구분 없는 요약 대신 사건, 시간 구간, 눈에 보이는 근거를 요청하세요. 여러 페이지에서는 페이지 식별자에 따라 정리된 결과를 요청하세요. 이러한 준비 예제는 문서화된 능력을 적용하며 누락이나 추출 오류를 드러내는 데 도움이 됩니다.
생성 지침과 한도
체크포인트 생성 파일의 기본값은 temperature 0.8, top_p 0.95, top_k 20입니다. Qwen의 별도 Thinking 평가 방법은 temperature 0.6, presence penalty 0, repetition penalty 1.0, 출력 한도 40,960토큰을 사용합니다. 이는 서로 다른 제작사 사전 설정이며 하나의 확정된 출력 상한이 아닙니다. 시각 토큰과 함께 추론 및 최종 텍스트를 위한 공간을 확보하고, 추출한 텍스트, 계산한 답변, 생성한 코드를 사용 전에 원문과 대조해 검증하세요.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 qwen/qwen3-vl-235b-a22b-thinking | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 user, assistant | 기본값— |
필드messages[].content | 유형string | 요건필수 | 값과 한도 | 기본값— |
필드max_tokens | 유형integer | 요건필수 | 값과 한도 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
텍스트 · UTF-8 텍스트
messages[].content 문자열
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세model, messages, max_tokens |
매개변수optional_controls | 명세stream |
매개변수material_types | 명세text |
매개변수text_file_material | 명세실제 UTF-8 문서를 읽고 그 텍스트를 지정된 입력 또는 메시지 콘텐츠 문자열에 넣으세요. |
수명 주기: synchronous_or_streamed
요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.
| 설정 | 요금표 | 요금 |
|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 요금 입력 · 입력 토큰 $0.000572 / 1K 토큰 출력 · 출력 토큰 $0.00572 / 1K 토큰 입력 · 캐시 읽기 $0 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "qwen/qwen3-vl-235b-a22b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-235b-a22b-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-235b-a22b-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
모든 콘텐츠 블록, 사고 서명, 실제 도구 사용 ID를 보존하세요. 모든 SSE 블록 증분을 조합하세요. 첫 텍스트 블록이 전체 출력은 아닙니다.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드id | 유형string |
필드model | 유형string |
필드content[] | 유형text|thinking|tool_use|other content block |
필드stop_reason | 유형string|null |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking은 텍스트, 이미지, 비디오 추론을 위한 Qwen의 전문가 혼합 시각 언어 모델입니다. 네이티브 262,144토큰 컨텍스트에서 STEM 질문, 문서 근거, 공간 관계, 시각 코딩, 타임스탬프가 있는 비디오 분석에 Thinking 버전을 사용하세요.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
소개: 멀티모달 Thinking 버전
Qwen3-VL-235B-A22B-Thinking은 Qwen3-VL의 추론 중심 전문가 혼합 버전입니다. 텍스트를 이미지 및 비디오와 결합해 텍스트 답변이나 코드를 생성합니다. 고정된 Thinking 체크포인트는 Qwen3-VL-235B-A22B-Instruct 및 별도로 이름이 지정된 FP8 빌드와 구분됩니다. 모든 Qwen3-VL 버전의 응답 스타일이 같다고 가정하기보다, 시각 근거를 긴 설명과 연결해야 하는 질문에 선택하세요.
시각 에이전트와 시각 코딩
Qwen은 컴퓨터 또는 모바일 인터페이스의 요소를 인식하고 기능을 해석하며 도구와 함께 작업을 완수하는 시각 에이전트 작업 흐름을 설명합니다. 모델이 지각과 추론을 제공하고 애플리케이션이 작업을 연결해 실행해야 합니다. 인터페이스 검토에서는 현재 스크린샷과 구체적인 목표를 제공한 뒤 관련 제어를 식별하고 다음 작업을 설명하도록 요청하세요. 이미지만으로 기기를 제어할 수 있는 것은 아닙니다.
시각 코딩에는 이미지와 비디오에서 도식 콘텐츠 및 HTML, CSS, JavaScript를 생성하는 작업이 포함됩니다. 필요한 레이아웃, 동작, 편집 가능한 출력 형식과 함께 스크린샷을 제공하세요. 검토가 더 쉬워진다면 페이지 구조와 스타일을 별도 산출물로 요청하세요. 생성된 코드는 개발 작업 흐름에 사용할 텍스트이며 웹사이트가 렌더링되었거나 원본 이미지가 작동하는 애플리케이션이 되었다는 근거는 아닙니다.
공간 지각
제작사는 2차원 그라운딩과 3차원 그라운딩 지원을 통해 객체 위치, 시점, 가림에 대한 추론을 문서화합니다. 구체적인 관계 질문을 하고 관심 객체를 지정하세요. 예를 들어 어떤 부품이 가려졌는지, 그 앞에 무엇이 있는지, 어떤 시각 단서가 해석을 뒷받침하는지 질문할 수 있습니다. 그라운딩 능력을 임의의 사진에서 보정된 물리 측정을 하는 능력으로 취급해서는 안 됩니다.
긴 컨텍스트와 비디오
네이티브 컨텍스트는 262,144토큰입니다. Qwen은 YaRN 구성을 통해 약 1M 토큰으로 확장하는 방법과, 초 단위 사건 인덱싱을 사용해 책이나 수 시간 길이의 비디오를 처리하는 제품군 작업 흐름을 설명합니다. 이러한 능력은 표현 방식, 프레임 샘플링, 컨텍스트 구성에 따라 달라집니다. 제작사의 폭넓은 설명이 모든 프레임을 완벽히 기억한다고 보장하지는 않습니다. Qwen 저장소는 이 인터리브 위치 체계에서 256K를 약 1M으로 확장할 때 다른 모델의 계수 4를 자동으로 복사하지 말고 외삽 계수 2 또는 3을 사용할 것을 권장합니다.
멀티모달 추론과 인식
Thinking 버전은 텍스트와 시각 자료를 연결하는 근거 기반 STEM 및 수학 추론, 인과 분석, 논리 답변을 대상으로 합니다. 도식과 정의 또는 차트와 정확한 수치 질문을 함께 제공하세요. 결론 전에 사용한 레이블과 값을 요청하세요. Qwen은 사람, 애니메이션, 제품, 랜드마크, 식물, 동물에 대한 더 폭넓은 시각 인식도 설명합니다. 인식 답변은 제공된 이미지에서 도출한 추론이며 모든 객체나 신원의 이름을 알아낼 수 있다는 보장이 아닙니다.
OCR은 32개 언어를 다루며 전문 용어와 긴 문서 구조를 포함해 저조도, 흐림, 기울어짐이 있는 상황에서 읽기를 개선하도록 설계되었습니다. 읽을 수 있는 원본 이미지를 보존하고 확인 가능한 필드, 인용문, 구조화된 표를 요청하세요. 텍스트와 시각 이해가 하나의 모델에 결합되어 있으므로 질문에서 문서 구절, 그림, 사용자의 지시를 함께 참조할 수 있습니다.
아키텍처 변경
Interleaved-MRoPE는 비디오 추론을 위해 시간, 너비, 높이 전반에 위치 표현을 분산합니다. DeepStack은 여러 인코더 수준의 시각 특징을 결합해 세부 사항을 포착하고 이미지와 텍스트의 정렬을 개선합니다. 텍스트와 타임스탬프의 정렬은 사건을 시간 참조에 연결합니다. 배포된 텍스트 구성에는 레이어 94개, 전문가 128개가 있으며 토큰당 전문가 8개를 선택합니다. 이러한 아키텍처 세부 사항은 모델의 멀티모달 표현을 설명하며 응답 시간을 보장하지는 않습니다.
시각 입력과 출력 준비하기
제작사 예제는 단일 또는 여러 이미지, 비디오, 텍스트 전용 요청을 다룹니다. 질문이 각 시각 입력을 명확히 참조할 수 있도록 식별자를 붙이세요. 이미지와 비디오 프로세서는 별도의 픽셀 예산을 사용합니다. 이미지 예산은 이미지 픽셀을 제한하고 비디오 예산은 샘플링한 프레임 전체의 픽셀을 계산합니다. 명시적인 이미지 크기는 32의 배수에 맞춥니다. 비디오 샘플링은 샘플링률 또는 프레임 수로 제어할 수 있고, 문서화된 기본값은 초당 2프레임입니다. 사건 타임라인을 요청할 때는 타임스탬프를 유지하세요.
긴 클립에서는 구분 없는 요약 대신 사건, 시간 구간, 눈에 보이는 근거를 요청하세요. 여러 페이지에서는 페이지 식별자에 따라 정리된 결과를 요청하세요. 이러한 준비 예제는 문서화된 능력을 적용하며 누락이나 추출 오류를 드러내는 데 도움이 됩니다.
생성 지침과 한도
체크포인트 생성 파일의 기본값은 temperature 0.8, top_p 0.95, top_k 20입니다. Qwen의 별도 Thinking 평가 방법은 temperature 0.6, presence penalty 0, repetition penalty 1.0, 출력 한도 40,960토큰을 사용합니다. 이는 서로 다른 제작사 사전 설정이며 하나의 확정된 출력 상한이 아닙니다. 시각 토큰과 함께 추론 및 최종 텍스트를 위한 공간을 확보하고, 추출한 텍스트, 계산한 답변, 생성한 코드를 사용 전에 원문과 대조해 검증하세요.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 qwen3-vl-235b-a22b-thinking | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 최소 항목 수: 1 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 예시: system, user, assistant, tool, function 조건: 이 역할들은 소스 코드의 호환 타입에 명시적으로 표현됩니다. 정확한 모델 역할 집합은 모델별로 다릅니다. 모델에 따라 다름 | 기본값— |
필드messages[].content | 유형string|content_part[]|null | 요건선택 사항 | 값과 한도 | 기본값— |
필드messages[].tool_calls | 유형tool_call[] | 요건선택 사항 | 값과 한도 | 기본값— |
필드messages[].tool_call_id | 유형string | 요건선택 사항 | 값과 한도 적용 조건: role=tool. 실제 반환된 ID를 사용하세요 | 기본값— |
필드messages[].name | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드messages[].reasoning_content | 유형string | 요건선택 사항 | 값과 한도 적용 조건: 이 모델이 추론을 사용하는 경우 실제 반환된 추론을 그대로 다음 요청에 다시 전달하세요 | 기본값— |
필드messages[].reasoning_details | 유형object|array | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드max_tokens | 유형integer | 요건선택 사항 | 값과 한도 최솟값: 1 모델에 따라 다름 | 기본값— |
필드max_completion_tokens | 유형integer | 요건선택 사항 | 값과 한도 최솟값: 1 모델에 따라 다름 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
필드stream_options.include_usage | 유형boolean | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드temperature | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드top_p | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드stop | 유형string|string[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools | 유형function_tool[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools[].type | 유형string | 요건선택 사항 | 값과 한도 function 모델에 따라 다름 | 기본값— |
필드tools[].function.name | 유형string | 요건필수 | 값과 한도 적용 조건: 함수 도구 지정됨 | 기본값— |
필드tools[].function.description | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드tools[].function.parameters | 유형JSON_schema | 요건선택 사항 | 값과 한도 | 기본값— |
필드tool_choice | 유형string|object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드parallel_tool_calls | 유형boolean | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드response_format | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드reasoning_effort | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드reasoning | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드service_tier | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드instructions | 유형string | 요건선택 사항 | 값과 한도 호환성 필드 | 기본값— |
필드functions | 유형function[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드function_call | 유형string|object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드prompt_cache_options | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드modalities | 유형string[] | 요건선택 사항 | 값과 한도 text | 기본값— |
필드provider | 유형object | 요건선택 사항 | 값과 한도 조건: 이 Ultra 텍스트 경로에서는 provider.options가 거부됩니다 | 기본값— |
필드cache_control.ttl | 유형string | 요건선택 사항 | 값과 한도 조건: 실제 프롬프트 캐시 지정 위치에서는 1h가 거부됩니다 | 기본값— |
텍스트 · UTF8 텍스트
messages[].content
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세model, messages |
매개변수material_types | 명세text |
매개변수messages | 명세role/content 형식의 메시지 배열 |
매개변수file_material | 명세실제 UTF-8 문서를 텍스트로 그대로 삽입합니다. 파일 ID는 추정하지 않습니다 |
매개변수optional_controls | 명세stream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
매개변수control_scope | 명세모델별로 다름. 사용자 함수 도구와 호스팅 도구는 서로 다릅니다 |
매개변수output_modalities | 명세text |
매개변수hosted_operations | 명세false |
매개변수multimodal_input_binding | 명세null |
수명 주기: synchronous_or_streamed
정확한 모델 ID를 messages와 함께 보내세요.
컨텍스트 길이는 출력 상한이 아닙니다.
텍스트 파일은 텍스트를 그대로 제공할 수 있습니다. 이미지/오디오/파일 객체 입력에는 정확한 바인딩이 필요합니다.
요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.
| 설정 | 요금표 | 요금 |
|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 요금 입력 · 입력 토큰 $0.000572 / 1K 토큰 출력 · 출력 토큰 $0.00572 / 1K 토큰 입력 · 캐시 읽기 $0 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen3-vl-235b-a22b-thinking", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen3-vl-235b-a22b-thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen3-vl-235b-a22b-thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
각 선택지와 그 콘텐츠·도구 호출·추론을 모두 보존하세요. SSE에서는 선택지/도구 인덱스별로 증분을 조합하고 최종 종료 사유와 사용량을 유지하세요.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드choices[].index | 유형integer |
필드choices[].message.content | 유형string|null |
필드choices[].message.tool_calls | 유형tool_call[] |
필드choices[].message.reasoning_content | 유형string |
필드choices[].message.reasoning_details | 유형object|array |
필드choices[].finish_reason | 유형string|null |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking은 텍스트, 이미지, 비디오 추론을 위한 Qwen의 전문가 혼합 시각 언어 모델입니다. 네이티브 262,144토큰 컨텍스트에서 STEM 질문, 문서 근거, 공간 관계, 시각 코딩, 타임스탬프가 있는 비디오 분석에 Thinking 버전을 사용하세요.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
소개: 멀티모달 Thinking 버전
Qwen3-VL-235B-A22B-Thinking은 Qwen3-VL의 추론 중심 전문가 혼합 버전입니다. 텍스트를 이미지 및 비디오와 결합해 텍스트 답변이나 코드를 생성합니다. 고정된 Thinking 체크포인트는 Qwen3-VL-235B-A22B-Instruct 및 별도로 이름이 지정된 FP8 빌드와 구분됩니다. 모든 Qwen3-VL 버전의 응답 스타일이 같다고 가정하기보다, 시각 근거를 긴 설명과 연결해야 하는 질문에 선택하세요.
시각 에이전트와 시각 코딩
Qwen은 컴퓨터 또는 모바일 인터페이스의 요소를 인식하고 기능을 해석하며 도구와 함께 작업을 완수하는 시각 에이전트 작업 흐름을 설명합니다. 모델이 지각과 추론을 제공하고 애플리케이션이 작업을 연결해 실행해야 합니다. 인터페이스 검토에서는 현재 스크린샷과 구체적인 목표를 제공한 뒤 관련 제어를 식별하고 다음 작업을 설명하도록 요청하세요. 이미지만으로 기기를 제어할 수 있는 것은 아닙니다.
시각 코딩에는 이미지와 비디오에서 도식 콘텐츠 및 HTML, CSS, JavaScript를 생성하는 작업이 포함됩니다. 필요한 레이아웃, 동작, 편집 가능한 출력 형식과 함께 스크린샷을 제공하세요. 검토가 더 쉬워진다면 페이지 구조와 스타일을 별도 산출물로 요청하세요. 생성된 코드는 개발 작업 흐름에 사용할 텍스트이며 웹사이트가 렌더링되었거나 원본 이미지가 작동하는 애플리케이션이 되었다는 근거는 아닙니다.
공간 지각
제작사는 2차원 그라운딩과 3차원 그라운딩 지원을 통해 객체 위치, 시점, 가림에 대한 추론을 문서화합니다. 구체적인 관계 질문을 하고 관심 객체를 지정하세요. 예를 들어 어떤 부품이 가려졌는지, 그 앞에 무엇이 있는지, 어떤 시각 단서가 해석을 뒷받침하는지 질문할 수 있습니다. 그라운딩 능력을 임의의 사진에서 보정된 물리 측정을 하는 능력으로 취급해서는 안 됩니다.
긴 컨텍스트와 비디오
네이티브 컨텍스트는 262,144토큰입니다. Qwen은 YaRN 구성을 통해 약 1M 토큰으로 확장하는 방법과, 초 단위 사건 인덱싱을 사용해 책이나 수 시간 길이의 비디오를 처리하는 제품군 작업 흐름을 설명합니다. 이러한 능력은 표현 방식, 프레임 샘플링, 컨텍스트 구성에 따라 달라집니다. 제작사의 폭넓은 설명이 모든 프레임을 완벽히 기억한다고 보장하지는 않습니다. Qwen 저장소는 이 인터리브 위치 체계에서 256K를 약 1M으로 확장할 때 다른 모델의 계수 4를 자동으로 복사하지 말고 외삽 계수 2 또는 3을 사용할 것을 권장합니다.
멀티모달 추론과 인식
Thinking 버전은 텍스트와 시각 자료를 연결하는 근거 기반 STEM 및 수학 추론, 인과 분석, 논리 답변을 대상으로 합니다. 도식과 정의 또는 차트와 정확한 수치 질문을 함께 제공하세요. 결론 전에 사용한 레이블과 값을 요청하세요. Qwen은 사람, 애니메이션, 제품, 랜드마크, 식물, 동물에 대한 더 폭넓은 시각 인식도 설명합니다. 인식 답변은 제공된 이미지에서 도출한 추론이며 모든 객체나 신원의 이름을 알아낼 수 있다는 보장이 아닙니다.
OCR은 32개 언어를 다루며 전문 용어와 긴 문서 구조를 포함해 저조도, 흐림, 기울어짐이 있는 상황에서 읽기를 개선하도록 설계되었습니다. 읽을 수 있는 원본 이미지를 보존하고 확인 가능한 필드, 인용문, 구조화된 표를 요청하세요. 텍스트와 시각 이해가 하나의 모델에 결합되어 있으므로 질문에서 문서 구절, 그림, 사용자의 지시를 함께 참조할 수 있습니다.
아키텍처 변경
Interleaved-MRoPE는 비디오 추론을 위해 시간, 너비, 높이 전반에 위치 표현을 분산합니다. DeepStack은 여러 인코더 수준의 시각 특징을 결합해 세부 사항을 포착하고 이미지와 텍스트의 정렬을 개선합니다. 텍스트와 타임스탬프의 정렬은 사건을 시간 참조에 연결합니다. 배포된 텍스트 구성에는 레이어 94개, 전문가 128개가 있으며 토큰당 전문가 8개를 선택합니다. 이러한 아키텍처 세부 사항은 모델의 멀티모달 표현을 설명하며 응답 시간을 보장하지는 않습니다.
시각 입력과 출력 준비하기
제작사 예제는 단일 또는 여러 이미지, 비디오, 텍스트 전용 요청을 다룹니다. 질문이 각 시각 입력을 명확히 참조할 수 있도록 식별자를 붙이세요. 이미지와 비디오 프로세서는 별도의 픽셀 예산을 사용합니다. 이미지 예산은 이미지 픽셀을 제한하고 비디오 예산은 샘플링한 프레임 전체의 픽셀을 계산합니다. 명시적인 이미지 크기는 32의 배수에 맞춥니다. 비디오 샘플링은 샘플링률 또는 프레임 수로 제어할 수 있고, 문서화된 기본값은 초당 2프레임입니다. 사건 타임라인을 요청할 때는 타임스탬프를 유지하세요.
긴 클립에서는 구분 없는 요약 대신 사건, 시간 구간, 눈에 보이는 근거를 요청하세요. 여러 페이지에서는 페이지 식별자에 따라 정리된 결과를 요청하세요. 이러한 준비 예제는 문서화된 능력을 적용하며 누락이나 추출 오류를 드러내는 데 도움이 됩니다.
생성 지침과 한도
체크포인트 생성 파일의 기본값은 temperature 0.8, top_p 0.95, top_k 20입니다. Qwen의 별도 Thinking 평가 방법은 temperature 0.6, presence penalty 0, repetition penalty 1.0, 출력 한도 40,960토큰을 사용합니다. 이는 서로 다른 제작사 사전 설정이며 하나의 확정된 출력 상한이 아닙니다. 시각 토큰과 함께 추론 및 최종 텍스트를 위한 공간을 확보하고, 추출한 텍스트, 계산한 답변, 생성한 코드를 사용 전에 원문과 대조해 검증하세요.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 qwen3-vl-235b-a22b-thinking | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 user, assistant | 기본값— |
필드messages[].content | 유형string | 요건필수 | 값과 한도 | 기본값— |
필드max_tokens | 유형integer | 요건필수 | 값과 한도 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
텍스트 · UTF-8 텍스트
messages[].content 문자열
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세model, messages, max_tokens |
매개변수optional_controls | 명세stream |
매개변수material_types | 명세text |
매개변수text_file_material | 명세실제 UTF-8 문서를 읽고 그 텍스트를 지정된 입력 또는 메시지 콘텐츠 문자열에 넣으세요. |
수명 주기: synchronous_or_streamed
요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.
| 설정 | 요금표 | 요금 |
|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 요금 입력 · 입력 토큰 $0.000572 / 1K 토큰 출력 · 출력 토큰 $0.00572 / 1K 토큰 입력 · 캐시 읽기 $0 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "qwen3-vl-235b-a22b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3-vl-235b-a22b-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3-vl-235b-a22b-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
모든 콘텐츠 블록, 사고 서명, 실제 도구 사용 ID를 보존하세요. 모든 SSE 블록 증분을 조합하세요. 첫 텍스트 블록이 전체 출력은 아닙니다.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드id | 유형string |
필드model | 유형string |
필드content[] | 유형text|thinking|tool_use|other content block |
필드stop_reason | 유형string|null |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
영어 기술 예제
Reason from a textual circuit description\n\nUse this textual circuit description: an ideal 12 V source powers two series resistors, R1 = 2 Ω and R2 = 4 Ω. Calculate total resistance, current and voltage across each resistor. State the ideal-component assumptions and verify that the voltage drops sum to the source voltage. Return a compact worked solution using the labels R1 and R2.A labeled worked calculation and a voltage-sum consistency check.The same series current is used for both resistors and the stated voltage drops sum to 12 V.