30B-A3B Thinking 에디션
Qwen3-VL-30B-A3B-Thinking은 Qwen3-VL의 추론 기능을 강화한 전문가 혼합 에디션입니다. 텍스트, 이미지, 동영상을 입력받아 코드나 설명을 곁들인 결론을 포함한 텍스트를 생성합니다. 이 Thinking 에디션을 Qwen3-VL-30B-A3B-Instruct 및 같은 제품군의 다른 크기 모델과 구분해야 합니다. 제작사가 정의한 에디션의 차이는 의도된 추론 동작을 설명하며, 애플리케이션별 하이브리드 전환 기능이 있음을 입증하지는 않습니다.
시각적 에이전트와 코딩
Qwen은 컴퓨터나 모바일 기기의 조작 요소를 인식하고, 기능을 이해하며, 도구를 호출하는 시각적 에이전트 작업 흐름을 문서화하고 있습니다. 인터페이스 작업에서는 현재 스크린샷과 달성하려는 목표를 제공한 다음, 관련 조작 요소와 화면에 보이는 근거에 연결된 설명을 요청하세요. 연결된 애플리케이션이 동작을 실행하고 결과를 반환하며, 모델의 시각적 추론이 기기를 독자적으로 제어하는 것은 아닙니다.
이 제품군은 이미지나 동영상에서 다이어그램 콘텐츠, HTML, CSS, JavaScript도 생성합니다. 시각적 참고 자료와 기능 요구 사항을 함께 제공하고 편집 가능한 소스를 요청하세요. 기존 인터페이스의 경우, 설명 없는 사진만으로 모든 상호작용을 정의할 수 있다고 기대하기보다 변경하려는 내용과 관련 코드를 명시하세요. 생성된 소스는 렌더링하고 검토해야 하는 산출물이며, 애플리케이션이 정상 작동한다는 증거는 아닙니다.
공간, 긴 컨텍스트, 동영상
제작사는 객체의 위치, 시점, 가림 관계에 대한 판단과 함께 이차원 그라운딩 및 삼차원 그라운딩 지원을 설명합니다. 어떤 관계가 중요한지, 어떤 단서가 결론을 뒷받침하는지 질문하세요. 시각적으로 파악한 관계는 보정된 물리적 측정값과 구분해야 합니다.
기본 컨텍스트는 262,144토큰입니다. 이 제품군은 책과 수 시간 분량의 동영상, 초 단위 이벤트 인덱싱, 설정을 통한 약 백만 토큰까지의 확장을 설명합니다. 이벤트 기록을 요청할 때는 시간 정보, 프레임 순서, 원본 식별자를 유지하세요. 컨텍스트와 샘플링에 따라 요청에 표현되는 자료가 결정되므로, 제품군의 설명을 완벽한 회상을 무조건 보장하는 약속으로 받아들여서는 안 됩니다.
멀티모달 추론, 인식, OCR
Thinking 에디션은 시각적 근거를 설명과 연결하는 STEM, 수학, 논리 질문에 적합합니다. 문제 전체, 다이어그램의 레이블, 단위를 제공하고, 최종 답변에 앞서 사용한 값과 관계를 제시하도록 요청하세요. 명확한 산출물로는 범위가 구분된 결과, 근거 표, 이미지와 텍스트로 뒷받침되는 짧은 결론 등이 있습니다.
이 제품군은 사람, 제품, 랜드마크, 식물, 동물, 미디어 캐릭터 전반으로 시각적 인식 범위를 넓혔습니다. OCR은 32개 언어를 지원하며, 전문 용어와 문서 구조를 포함해 어두운 조명, 흐림, 기울어짐이 있는 상황에서의 읽기를 목표로 합니다. 가독성을 유지하고 검증할 수 있는 필드나 인용문을 요청하세요. 이러한 활용 사례는 문서화된 기능을 적용한 것이며, 모든 입력에 대한 정확한 신원 식별, 전사, 수학적 결론을 보장하지는 않습니다.
아키텍처
정확한 설정은 텍스트 계층 48개, 전문가 128개, 토큰마다 선택되는 전문가 여덟 개를 갖춘 전문가 혼합 비전 언어 모델로 정의합니다. Interleaved-MRoPE는 시간, 너비, 높이에 걸쳐 위치 정보를 분산합니다. DeepStack은 인코더의 여러 수준에서 시각적 특징을 결합하며, 텍스트–타임스탬프 정렬은 이벤트를 시간 기준에 연결하는 데 도움을 줍니다. 시각적 추론 작업을 준비하고 결과를 비교할 때 이 30B-A3B Thinking 에디션을 일관되게 사용하세요.
입력 준비
제품군의 예제는 텍스트만 사용하는 작업, 단일 또는 여러 이미지, 동영상을 지원합니다. 시각적 입력에 레이블을 붙이고 입력 간 관계를 유지하세요. 이미지와 동영상의 픽셀 예산이 분리되어 있어 작업 흐름에서 세부 수준을 조절할 수 있으며, 명시적인 이미지 크기는 32의 배수에 맞춥니다. 문서에 나온 동영상 기본값은 초당 두 프레임이며, 지원되는 경우 샘플링 속도나 프레임 수를 조절할 수 있습니다. 동영상 메타데이터를 유지하고, 도우미가 이미 미디어 크기를 조정했다면 두 번 조정하지 마세요.
문서 비교에서는 페이지 식별자별로 결과를 구성하세요. 클립에서는 관련 이벤트, 시간 구간, 근거를 요청하세요. 시각적 토큰뿐 아니라 사고 과정과 최종 텍스트를 위한 시퀀스 공간도 확보하세요.
생성 지침과 제한
체크포인트의 생성 파일 기본값은 temperature 0.8, top_p 0.95, top_k 20, 반복 페널티 1.0입니다. 제품군의 별도 Thinking 평가 레시피는 temperature 0.6, 존재 페널티 영, 반복 페널티 1.0, 출력 예산 40,960토큰을 사용합니다. 이는 서로 다른 제작사 프리셋이며, 해당 예산이 별도로 확인된 엄격한 최대 출력 길이라는 뜻은 아닙니다.
제품군의 확장 절차는 YaRN을 사용하며, 인터리브 위치 체계를 256K에서 약 1M으로 확장할 때 두 배 또는 세 배를 권장합니다. 다른 제품군의 네 배 계수를 그대로 적용해서는 안 됩니다. 추출한 레이블, 계산, 생성된 코드를 원본 근거와 대조하고, 최종 산출물을 추론 과정과 구분되게 유지하세요. 실질적인 결과는 이 정확한 Thinking 에디션을 유지하면서 검토할 수 있는 시각적 결론이나 코드 제안입니다.
", "aboutText": "30B-A3B Thinking 에디션\n\nQwen3-VL-30B-A3B-Thinking은 Qwen3-VL의 추론 기능을 강화한 전문가 혼합 에디션입니다. 텍스트, 이미지, 동영상을 입력받아 코드나 설명을 곁들인 결론을 포함한 텍스트를 생성합니다. 이 Thinking 에디션을 Qwen3-VL-30B-A3B-Instruct 및 같은 제품군의 다른 크기 모델과 구분해야 합니다. 제작사가 정의한 에디션의 차이는 의도된 추론 동작을 설명하며, 애플리케이션별 하이브리드 전환 기능이 있음을 입증하지는 않습니다.\n\n시각적 에이전트와 코딩\n\nQwen은 컴퓨터나 모바일 기기의 조작 요소를 인식하고, 기능을 이해하며, 도구를 호출하는 시각적 에이전트 작업 흐름을 문서화하고 있습니다. 인터페이스 작업에서는 현재 스크린샷과 달성하려는 목표를 제공한 다음, 관련 조작 요소와 화면에 보이는 근거에 연결된 설명을 요청하세요. 연결된 애플리케이션이 동작을 실행하고 결과를 반환하며, 모델의 시각적 추론이 기기를 독자적으로 제어하는 것은 아닙니다.\n\n이 제품군은 이미지나 동영상에서 다이어그램 콘텐츠, HTML, CSS, JavaScript도 생성합니다. 시각적 참고 자료와 기능 요구 사항을 함께 제공하고 편집 가능한 소스를 요청하세요. 기존 인터페이스의 경우, 설명 없는 사진만으로 모든 상호작용을 정의할 수 있다고 기대하기보다 변경하려는 내용과 관련 코드를 명시하세요. 생성된 소스는 렌더링하고 검토해야 하는 산출물이며, 애플리케이션이 정상 작동한다는 증거는 아닙니다.\n\n공간, 긴 컨텍스트, 동영상\n\n제작사는 객체의 위치, 시점, 가림 관계에 대한 판단과 함께 이차원 그라운딩 및 삼차원 그라운딩 지원을 설명합니다. 어떤 관계가 중요한지, 어떤 단서가 결론을 뒷받침하는지 질문하세요. 시각적으로 파악한 관계는 보정된 물리적 측정값과 구분해야 합니다.\n\n기본 컨텍스트는 262,144토큰입니다. 이 제품군은 책과 수 시간 분량의 동영상, 초 단위 이벤트 인덱싱, 설정을 통한 약 백만 토큰까지의 확장을 설명합니다. 이벤트 기록을 요청할 때는 시간 정보, 프레임 순서, 원본 식별자를 유지하세요. 컨텍스트와 샘플링에 따라 요청에 표현되는 자료가 결정되므로, 제품군의 설명을 완벽한 회상을 무조건 보장하는 약속으로 받아들여서는 안 됩니다.\n\n멀티모달 추론, 인식, OCR\n\nThinking 에디션은 시각적 근거를 설명과 연결하는 STEM, 수학, 논리 질문에 적합합니다. 문제 전체, 다이어그램의 레이블, 단위를 제공하고, 최종 답변에 앞서 사용한 값과 관계를 제시하도록 요청하세요. 명확한 산출물로는 범위가 구분된 결과, 근거 표, 이미지와 텍스트로 뒷받침되는 짧은 결론 등이 있습니다.\n\n이 제품군은 사람, 제품, 랜드마크, 식물, 동물, 미디어 캐릭터 전반으로 시각적 인식 범위를 넓혔습니다. OCR은 32개 언어를 지원하며, 전문 용어와 문서 구조를 포함해 어두운 조명, 흐림, 기울어짐이 있는 상황에서의 읽기를 목표로 합니다. 가독성을 유지하고 검증할 수 있는 필드나 인용문을 요청하세요. 이러한 활용 사례는 문서화된 기능을 적용한 것이며, 모든 입력에 대한 정확한 신원 식별, 전사, 수학적 결론을 보장하지는 않습니다.\n\n아키텍처\n\n정확한 설정은 텍스트 계층 48개, 전문가 128개, 토큰마다 선택되는 전문가 여덟 개를 갖춘 전문가 혼합 비전 언어 모델로 정의합니다. Interleaved-MRoPE는 시간, 너비, 높이에 걸쳐 위치 정보를 분산합니다. DeepStack은 인코더의 여러 수준에서 시각적 특징을 결합하며, 텍스트–타임스탬프 정렬은 이벤트를 시간 기준에 연결하는 데 도움을 줍니다. 시각적 추론 작업을 준비하고 결과를 비교할 때 이 30B-A3B Thinking 에디션을 일관되게 사용하세요.\n\n입력 준비\n\n제품군의 예제는 텍스트만 사용하는 작업, 단일 또는 여러 이미지, 동영상을 지원합니다. 시각적 입력에 레이블을 붙이고 입력 간 관계를 유지하세요. 이미지와 동영상의 픽셀 예산이 분리되어 있어 작업 흐름에서 세부 수준을 조절할 수 있으며, 명시적인 이미지 크기는 32의 배수에 맞춥니다. 문서에 나온 동영상 기본값은 초당 두 프레임이며, 지원되는 경우 샘플링 속도나 프레임 수를 조절할 수 있습니다. 동영상 메타데이터를 유지하고, 도우미가 이미 미디어 크기를 조정했다면 두 번 조정하지 마세요.\n\n문서 비교에서는 페이지 식별자별로 결과를 구성하세요. 클립에서는 관련 이벤트, 시간 구간, 근거를 요청하세요. 시각적 토큰뿐 아니라 사고 과정과 최종 텍스트를 위한 시퀀스 공간도 확보하세요.\n\n생성 지침과 제한\n\n체크포인트의 생성 파일 기본값은 temperature 0.8, top_p 0.95, top_k 20, 반복 페널티 1.0입니다. 제품군의 별도 Thinking 평가 레시피는 temperature 0.6, 존재 페널티 영, 반복 페널티 1.0, 출력 예산 40,960토큰을 사용합니다. 이는 서로 다른 제작사 프리셋이며, 해당 예산이 별도로 확인된 엄격한 최대 출력 길이라는 뜻은 아닙니다.\n\n제품군의 확장 절차는 YaRN을 사용하며, 인터리브 위치 체계를 256K에서 약 1M으로 확장할 때 두 배 또는 세 배를 권장합니다. 다른 제품군의 네 배 계수를 그대로 적용해서는 안 됩니다. 추출한 레이블, 계산, 생성된 코드를 원본 근거와 대조하고, 최종 산출물을 추론 과정과 구분되게 유지하세요. 실질적인 결과는 이 정확한 Thinking 에디션을 유지하면서 검토할 수 있는 시각적 결론이나 코드 제안입니다.", "editorialOverlay": { "copy_fields": { "practical_html": "영어 기술 예제
Reason about a transcribed geometry diagram\n\nUse this diagram transcription: rectangle ABCD has AB = 10 cm and BC = 6 cm; E is the midpoint of AB; segment CE is drawn. Find the area of triangle BCE. State the base and perpendicular height used, preserve the units, and give a short derivation. Do not assume any additional markings or image input.A short geometry derivation naming base BE and height BC, with the final area in square centimetres.The midpoint halves AB, and the triangle area uses one-half times the perpendicular base-height product.qwen/qwen3-vl-30b-a3b-thinkingQwen3-VL-30B-A3B-Thinking은 텍스트, 이미지, 동영상을 더 깊이 추론하는 Qwen의 전문가 혼합 비전 언어 모델 에디션입니다. STEM 질문, 문서, 공간 분석, 시각적 작업 흐름에 대해 텍스트나 코드를 반환하며, 32개 언어 OCR과 기본 262,144토큰 컨텍스트를 제공합니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
30B-A3B Thinking 에디션
Qwen3-VL-30B-A3B-Thinking은 Qwen3-VL의 추론 기능을 강화한 전문가 혼합 에디션입니다. 텍스트, 이미지, 동영상을 입력받아 코드나 설명을 곁들인 결론을 포함한 텍스트를 생성합니다. 이 Thinking 에디션을 Qwen3-VL-30B-A3B-Instruct 및 같은 제품군의 다른 크기 모델과 구분해야 합니다. 제작사가 정의한 에디션의 차이는 의도된 추론 동작을 설명하며, 애플리케이션별 하이브리드 전환 기능이 있음을 입증하지는 않습니다.
시각적 에이전트와 코딩
Qwen은 컴퓨터나 모바일 기기의 조작 요소를 인식하고, 기능을 이해하며, 도구를 호출하는 시각적 에이전트 작업 흐름을 문서화하고 있습니다. 인터페이스 작업에서는 현재 스크린샷과 달성하려는 목표를 제공한 다음, 관련 조작 요소와 화면에 보이는 근거에 연결된 설명을 요청하세요. 연결된 애플리케이션이 동작을 실행하고 결과를 반환하며, 모델의 시각적 추론이 기기를 독자적으로 제어하는 것은 아닙니다.
이 제품군은 이미지나 동영상에서 다이어그램 콘텐츠, HTML, CSS, JavaScript도 생성합니다. 시각적 참고 자료와 기능 요구 사항을 함께 제공하고 편집 가능한 소스를 요청하세요. 기존 인터페이스의 경우, 설명 없는 사진만으로 모든 상호작용을 정의할 수 있다고 기대하기보다 변경하려는 내용과 관련 코드를 명시하세요. 생성된 소스는 렌더링하고 검토해야 하는 산출물이며, 애플리케이션이 정상 작동한다는 증거는 아닙니다.
공간, 긴 컨텍스트, 동영상
제작사는 객체의 위치, 시점, 가림 관계에 대한 판단과 함께 이차원 그라운딩 및 삼차원 그라운딩 지원을 설명합니다. 어떤 관계가 중요한지, 어떤 단서가 결론을 뒷받침하는지 질문하세요. 시각적으로 파악한 관계는 보정된 물리적 측정값과 구분해야 합니다.
기본 컨텍스트는 262,144토큰입니다. 이 제품군은 책과 수 시간 분량의 동영상, 초 단위 이벤트 인덱싱, 설정을 통한 약 백만 토큰까지의 확장을 설명합니다. 이벤트 기록을 요청할 때는 시간 정보, 프레임 순서, 원본 식별자를 유지하세요. 컨텍스트와 샘플링에 따라 요청에 표현되는 자료가 결정되므로, 제품군의 설명을 완벽한 회상을 무조건 보장하는 약속으로 받아들여서는 안 됩니다.
멀티모달 추론, 인식, OCR
Thinking 에디션은 시각적 근거를 설명과 연결하는 STEM, 수학, 논리 질문에 적합합니다. 문제 전체, 다이어그램의 레이블, 단위를 제공하고, 최종 답변에 앞서 사용한 값과 관계를 제시하도록 요청하세요. 명확한 산출물로는 범위가 구분된 결과, 근거 표, 이미지와 텍스트로 뒷받침되는 짧은 결론 등이 있습니다.
이 제품군은 사람, 제품, 랜드마크, 식물, 동물, 미디어 캐릭터 전반으로 시각적 인식 범위를 넓혔습니다. OCR은 32개 언어를 지원하며, 전문 용어와 문서 구조를 포함해 어두운 조명, 흐림, 기울어짐이 있는 상황에서의 읽기를 목표로 합니다. 가독성을 유지하고 검증할 수 있는 필드나 인용문을 요청하세요. 이러한 활용 사례는 문서화된 기능을 적용한 것이며, 모든 입력에 대한 정확한 신원 식별, 전사, 수학적 결론을 보장하지는 않습니다.
아키텍처
정확한 설정은 텍스트 계층 48개, 전문가 128개, 토큰마다 선택되는 전문가 여덟 개를 갖춘 전문가 혼합 비전 언어 모델로 정의합니다. Interleaved-MRoPE는 시간, 너비, 높이에 걸쳐 위치 정보를 분산합니다. DeepStack은 인코더의 여러 수준에서 시각적 특징을 결합하며, 텍스트–타임스탬프 정렬은 이벤트를 시간 기준에 연결하는 데 도움을 줍니다. 시각적 추론 작업을 준비하고 결과를 비교할 때 이 30B-A3B Thinking 에디션을 일관되게 사용하세요.
입력 준비
제품군의 예제는 텍스트만 사용하는 작업, 단일 또는 여러 이미지, 동영상을 지원합니다. 시각적 입력에 레이블을 붙이고 입력 간 관계를 유지하세요. 이미지와 동영상의 픽셀 예산이 분리되어 있어 작업 흐름에서 세부 수준을 조절할 수 있으며, 명시적인 이미지 크기는 32의 배수에 맞춥니다. 문서에 나온 동영상 기본값은 초당 두 프레임이며, 지원되는 경우 샘플링 속도나 프레임 수를 조절할 수 있습니다. 동영상 메타데이터를 유지하고, 도우미가 이미 미디어 크기를 조정했다면 두 번 조정하지 마세요.
문서 비교에서는 페이지 식별자별로 결과를 구성하세요. 클립에서는 관련 이벤트, 시간 구간, 근거를 요청하세요. 시각적 토큰뿐 아니라 사고 과정과 최종 텍스트를 위한 시퀀스 공간도 확보하세요.
생성 지침과 제한
체크포인트의 생성 파일 기본값은 temperature 0.8, top_p 0.95, top_k 20, 반복 페널티 1.0입니다. 제품군의 별도 Thinking 평가 레시피는 temperature 0.6, 존재 페널티 영, 반복 페널티 1.0, 출력 예산 40,960토큰을 사용합니다. 이는 서로 다른 제작사 프리셋이며, 해당 예산이 별도로 확인된 엄격한 최대 출력 길이라는 뜻은 아닙니다.
제품군의 확장 절차는 YaRN을 사용하며, 인터리브 위치 체계를 256K에서 약 1M으로 확장할 때 두 배 또는 세 배를 권장합니다. 다른 제품군의 네 배 계수를 그대로 적용해서는 안 됩니다. 추출한 레이블, 계산, 생성된 코드를 원본 근거와 대조하고, 최종 산출물을 추론 과정과 구분되게 유지하세요. 실질적인 결과는 이 정확한 Thinking 에디션을 유지하면서 검토할 수 있는 시각적 결론이나 코드 제안입니다.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 qwen/qwen3-vl-30b-a3b-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.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.00058 / 1K 토큰 출력 · 출력 토큰 $0.002 / 1K 토큰 입력 · 캐시 읽기 $0 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.00058 / 1K 토큰 출력 · 출력 토큰 $0.002 / 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-30b-a3b-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-30b-a3b-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-30b-a3b-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-30b-a3b-thinking
위에 표시된 메서드 경로를 사용하세요.
qwen/qwen3-vl-30b-a3b-thinkingQwen3-VL-30B-A3B-Thinking은 텍스트, 이미지, 동영상을 더 깊이 추론하는 Qwen의 전문가 혼합 비전 언어 모델 에디션입니다. STEM 질문, 문서, 공간 분석, 시각적 작업 흐름에 대해 텍스트나 코드를 반환하며, 32개 언어 OCR과 기본 262,144토큰 컨텍스트를 제공합니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
30B-A3B Thinking 에디션
Qwen3-VL-30B-A3B-Thinking은 Qwen3-VL의 추론 기능을 강화한 전문가 혼합 에디션입니다. 텍스트, 이미지, 동영상을 입력받아 코드나 설명을 곁들인 결론을 포함한 텍스트를 생성합니다. 이 Thinking 에디션을 Qwen3-VL-30B-A3B-Instruct 및 같은 제품군의 다른 크기 모델과 구분해야 합니다. 제작사가 정의한 에디션의 차이는 의도된 추론 동작을 설명하며, 애플리케이션별 하이브리드 전환 기능이 있음을 입증하지는 않습니다.
시각적 에이전트와 코딩
Qwen은 컴퓨터나 모바일 기기의 조작 요소를 인식하고, 기능을 이해하며, 도구를 호출하는 시각적 에이전트 작업 흐름을 문서화하고 있습니다. 인터페이스 작업에서는 현재 스크린샷과 달성하려는 목표를 제공한 다음, 관련 조작 요소와 화면에 보이는 근거에 연결된 설명을 요청하세요. 연결된 애플리케이션이 동작을 실행하고 결과를 반환하며, 모델의 시각적 추론이 기기를 독자적으로 제어하는 것은 아닙니다.
이 제품군은 이미지나 동영상에서 다이어그램 콘텐츠, HTML, CSS, JavaScript도 생성합니다. 시각적 참고 자료와 기능 요구 사항을 함께 제공하고 편집 가능한 소스를 요청하세요. 기존 인터페이스의 경우, 설명 없는 사진만으로 모든 상호작용을 정의할 수 있다고 기대하기보다 변경하려는 내용과 관련 코드를 명시하세요. 생성된 소스는 렌더링하고 검토해야 하는 산출물이며, 애플리케이션이 정상 작동한다는 증거는 아닙니다.
공간, 긴 컨텍스트, 동영상
제작사는 객체의 위치, 시점, 가림 관계에 대한 판단과 함께 이차원 그라운딩 및 삼차원 그라운딩 지원을 설명합니다. 어떤 관계가 중요한지, 어떤 단서가 결론을 뒷받침하는지 질문하세요. 시각적으로 파악한 관계는 보정된 물리적 측정값과 구분해야 합니다.
기본 컨텍스트는 262,144토큰입니다. 이 제품군은 책과 수 시간 분량의 동영상, 초 단위 이벤트 인덱싱, 설정을 통한 약 백만 토큰까지의 확장을 설명합니다. 이벤트 기록을 요청할 때는 시간 정보, 프레임 순서, 원본 식별자를 유지하세요. 컨텍스트와 샘플링에 따라 요청에 표현되는 자료가 결정되므로, 제품군의 설명을 완벽한 회상을 무조건 보장하는 약속으로 받아들여서는 안 됩니다.
멀티모달 추론, 인식, OCR
Thinking 에디션은 시각적 근거를 설명과 연결하는 STEM, 수학, 논리 질문에 적합합니다. 문제 전체, 다이어그램의 레이블, 단위를 제공하고, 최종 답변에 앞서 사용한 값과 관계를 제시하도록 요청하세요. 명확한 산출물로는 범위가 구분된 결과, 근거 표, 이미지와 텍스트로 뒷받침되는 짧은 결론 등이 있습니다.
이 제품군은 사람, 제품, 랜드마크, 식물, 동물, 미디어 캐릭터 전반으로 시각적 인식 범위를 넓혔습니다. OCR은 32개 언어를 지원하며, 전문 용어와 문서 구조를 포함해 어두운 조명, 흐림, 기울어짐이 있는 상황에서의 읽기를 목표로 합니다. 가독성을 유지하고 검증할 수 있는 필드나 인용문을 요청하세요. 이러한 활용 사례는 문서화된 기능을 적용한 것이며, 모든 입력에 대한 정확한 신원 식별, 전사, 수학적 결론을 보장하지는 않습니다.
아키텍처
정확한 설정은 텍스트 계층 48개, 전문가 128개, 토큰마다 선택되는 전문가 여덟 개를 갖춘 전문가 혼합 비전 언어 모델로 정의합니다. Interleaved-MRoPE는 시간, 너비, 높이에 걸쳐 위치 정보를 분산합니다. DeepStack은 인코더의 여러 수준에서 시각적 특징을 결합하며, 텍스트–타임스탬프 정렬은 이벤트를 시간 기준에 연결하는 데 도움을 줍니다. 시각적 추론 작업을 준비하고 결과를 비교할 때 이 30B-A3B Thinking 에디션을 일관되게 사용하세요.
입력 준비
제품군의 예제는 텍스트만 사용하는 작업, 단일 또는 여러 이미지, 동영상을 지원합니다. 시각적 입력에 레이블을 붙이고 입력 간 관계를 유지하세요. 이미지와 동영상의 픽셀 예산이 분리되어 있어 작업 흐름에서 세부 수준을 조절할 수 있으며, 명시적인 이미지 크기는 32의 배수에 맞춥니다. 문서에 나온 동영상 기본값은 초당 두 프레임이며, 지원되는 경우 샘플링 속도나 프레임 수를 조절할 수 있습니다. 동영상 메타데이터를 유지하고, 도우미가 이미 미디어 크기를 조정했다면 두 번 조정하지 마세요.
문서 비교에서는 페이지 식별자별로 결과를 구성하세요. 클립에서는 관련 이벤트, 시간 구간, 근거를 요청하세요. 시각적 토큰뿐 아니라 사고 과정과 최종 텍스트를 위한 시퀀스 공간도 확보하세요.
생성 지침과 제한
체크포인트의 생성 파일 기본값은 temperature 0.8, top_p 0.95, top_k 20, 반복 페널티 1.0입니다. 제품군의 별도 Thinking 평가 레시피는 temperature 0.6, 존재 페널티 영, 반복 페널티 1.0, 출력 예산 40,960토큰을 사용합니다. 이는 서로 다른 제작사 프리셋이며, 해당 예산이 별도로 확인된 엄격한 최대 출력 길이라는 뜻은 아닙니다.
제품군의 확장 절차는 YaRN을 사용하며, 인터리브 위치 체계를 256K에서 약 1M으로 확장할 때 두 배 또는 세 배를 권장합니다. 다른 제품군의 네 배 계수를 그대로 적용해서는 안 됩니다. 추출한 레이블, 계산, 생성된 코드를 원본 근거와 대조하고, 최종 산출물을 추론 과정과 구분되게 유지하세요. 실질적인 결과는 이 정확한 Thinking 에디션을 유지하면서 검토할 수 있는 시각적 결론이나 코드 제안입니다.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 qwen/qwen3-vl-30b-a3b-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.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.00058 / 1K 토큰 출력 · 출력 토큰 $0.002 / 1K 토큰 입력 · 캐시 읽기 $0 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.00058 / 1K 토큰 출력 · 출력 토큰 $0.002 / 1K 토큰 입력 · 캐시 읽기 $0 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "qwen/qwen3-vl-30b-a3b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-30b-a3b-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-30b-a3b-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-30b-a3b-thinking
위에 표시된 메서드 경로를 사용하세요.
영어 기술 예제
Reason about a transcribed geometry diagram\n\nUse this diagram transcription: rectangle ABCD has AB = 10 cm and BC = 6 cm; E is the midpoint of AB; segment CE is drawn. Find the area of triangle BCE. State the base and perpendicular height used, preserve the units, and give a short derivation. Do not assume any additional markings or image input.A short geometry derivation naming base BE and height BC, with the final area in square centimetres.The midpoint halves AB, and the triangle area uses one-half times the perpendicular base-height product.