Įvadas: multimodalinis Thinking leidimas
Qwen3-VL-235B-A22B-Thinking yra į samprotavimą orientuotas Qwen3-VL ekspertų mišinio leidimas. Jis sujungia tekstą su vaizdais ir vaizdo įrašais, kurdamas tekstinius atsakymus ar kodą. Fiksuota Thinking kontrolinė versija atskira nuo Qwen3-VL-235B-A22B-Instruct ir atskirai pavadintų FP8 versijų. Rinkitės ją klausimui, kuriam reikia susieti vaizdinius įrodymus su ilgesniu paaiškinimu, užuot manę, kad kiekvienas Qwen3-VL leidimas turi tą patį atsakymo stilių.
Vaizdiniai agentai ir vaizdinis programavimas
Qwen aprašo vaizdinio agento darbo eigą, kuri atpažįsta kompiuterių ar mobiliųjų įrenginių sąsajose esančius elementus, interpretuoja jų funkcijas ir naudoja įrankius užduotims atlikti. Modelis teikia suvokimą bei samprotavimą; programa turi prijungti ir vykdyti veiksmus. Sąsajos peržiūrai pateikite dabartinę ekrano kopiją ir konkretų tikslą, tuomet paprašykite nustatyti susijusius valdiklius ir paaiškinti kitą veiksmą. Vien vaizdas nesuteikia įrenginio valdymo.
Vaizdinis programavimas apima diagramų turinio ir HTML, CSS ar JavaScript generavimą iš vaizdų bei vaizdo įrašų. Pateikite ekrano kopiją su reikiamu išdėstymu, elgsena ir redaguojamu išvesties formatu. Kai tai palengvina peržiūrą, paprašykite puslapio struktūros ir stilių kaip atskirų artefaktų. Sugeneruotas kodas yra tekstas kūrimo darbo eigai; jis neįrodo, kad svetainė buvo atvaizduota ar pirminis vaizdas tapo veikiančia programa.
Erdvinis suvokimas
Gamintojas dokumentuoja samprotavimą apie objektų padėtis, žiūrėjimo taškus ir uždengimus, dvimatį susiejimą su vieta bei trimačio susiejimo palaikymą. Užduokite konkretų klausimą apie ryšį ir įvardykite dominantį objektą: pavyzdžiui, kuris komponentas uždengtas, kas yra prieš jį ir kurios vaizdinės užuominos pagrindžia tokią interpretaciją. Susiejimo su vieta gebėjimo nereikėtų laikyti kalibruotu fiziniu matavimu iš bet kokio paveikslo.
Ilgas kontekstas ir vaizdo įrašai
Natyvus kontekstas yra 262,144 žetonų. Qwen aprašo išplėtimą iki maždaug vieno milijono per YaRN konfigūraciją ir šeimos darbo eigas su knygomis ar valandų trukmės vaizdo įrašais, indeksuojant įvykius sekundžių detalumu. Šie gebėjimai priklauso nuo atvaizdavimo, kadrų atrankos ir konteksto konfigūracijos; platus gamintojo aprašas negarantuoja tobulo kiekvieno kadro prisiminimo. Savo saugykloje Qwen šiai persipinančiai pozicinei schemai pataria naudoti dviejų ar trijų ekstrapoliacijos koeficientą, kai 256K plečiama iki maždaug 1M, užuot automatiškai nukopijavus keturių koeficientą iš kito modelio.
Multimodalinis samprotavimas ir atpažinimas
Thinking leidimas skirtas įrodymais pagrįstam STEM ir matematiniam samprotavimui, priežastinei analizei bei loginiams atsakymams, jungiantiems tekstą su vaizdine medžiaga. Kartu pateikite schemą ir jos apibrėžimus arba diagramą ir tikslų skaitinį klausimą. Prieš išvadą paprašykite naudotų žymų bei reikšmių. Qwen taip pat aprašo platesnį vaizdinį žmonių, anime, produktų, lankytinų vietų, augalų ir gyvūnų atpažinimą. Atpažinimo atsakymas lieka išvada iš pateikto vaizdo, o ne garantija, kad galima įvardyti kiekvieną objektą ar tapatybę.
OCR apima 32 kalbas ir sukurtas skaitymui esant silpnam apšvietimui, suliejimui ar pasvirimui gerinti, įskaitant specializuotą žodyną ir ilgų dokumentų struktūrą. Išsaugokite įskaitomus pirminius vaizdus ir paprašykite laukų, citatų ar struktūrizuotos lentelės, kurią galima patikrinti. Teksto ir vaizdinės informacijos supratimas sujungti viename modelyje, todėl klausimas gali kartu remtis dokumento ištrauka, paveikslu ir naudotojo instrukcijomis.
Architektūros pakeitimai
Interleaved-MRoPE paskirsto pozicinį atvaizdavimą per laiką, plotį ir aukštį samprotavimui apie vaizdo įrašus. DeepStack sujungia vaizdinius požymius iš kelių koduotuvo lygių, kad užfiksuotų smulkesnes detales ir pagerintų vaizdo bei teksto suderinimą. Teksto ir laiko žymų suderinimas susieja įvykius su laiko nuorodomis. Išleista tekstinė konfigūracija turi 94 sluoksnius, 128 ekspertus ir kiekvienam žetonui parenka aštuonis ekspertus. Šios architektūros detalės paaiškina modelio multimodalinį atvaizdavimą; jos nenustato atsakymo trukmės garantijos.
Vaizdinės įvesties ir išvesties paruošimas
Gamintojo pavyzdžiai apima vieną ar kelis vaizdus, vaizdo įrašus ir tik tekstines užklausas. Pažymėkite kiekvieną vaizdinę įvestį, kad klausimas galėtų aiškiai ja remtis. Vaizdų ir vaizdo įrašų apdorojimo priemonės naudoja atskirus pikselių biudžetus: vaizdo biudžetas riboja jo pikselius, o vaizdo įrašo biudžetas apima pikselius visuose atrinktuose kadruose. Aiškiai nurodyti vaizdo matmenys derinami prie 32 kartotinių. Vaizdo įrašo atranką galima valdyti dažniu ar kadrų skaičiumi; dokumentuotas numatytasis nustatymas yra du kadrai per sekundę. Prašydami įvykių laiko juostos išsaugokite laiko žymas.
Ilgam įrašui prašykite įvykio, jo laiko intervalo ir matomų įrodymų, o ne nediferencijuotos santraukos. Keliems puslapiams paprašykite rezultato, sutvarkyto pagal puslapio identifikatorių. Šie paruošimo pavyzdžiai taiko dokumentuotus gebėjimus ir padeda išryškinti praleidimus ar išgavimo klaidas.
Generavimo rekomendacijos ir ribos
Kontrolinės versijos generavimo faile numatytoji temperatūra yra 0.8, top_p – 0.95, o top_k – 20. Atskiras Qwen Thinking vertinimo receptas naudoja 0.6 temperatūrą, nulinę buvimo baudą, 1.0 pasikartojimo baudą ir 40,960 žetonų išvesties limitą. Tai atskiri gamintojo išankstiniai nustatymai, o ne viena griežta išvesties riba. Šalia vaizdinių žetonų palikite vietos samprotavimui bei galutiniam tekstui ir prieš naudodami patikrinkite išgautą tekstą, apskaičiuotus atsakymus bei sugeneruotą kodą pagal šaltinį.
", "aboutText": "Įvadas: multimodalinis Thinking leidimas\n\nQwen3-VL-235B-A22B-Thinking yra į samprotavimą orientuotas Qwen3-VL ekspertų mišinio leidimas. Jis sujungia tekstą su vaizdais ir vaizdo įrašais, kurdamas tekstinius atsakymus ar kodą. Fiksuota Thinking kontrolinė versija atskira nuo Qwen3-VL-235B-A22B-Instruct ir atskirai pavadintų FP8 versijų. Rinkitės ją klausimui, kuriam reikia susieti vaizdinius įrodymus su ilgesniu paaiškinimu, užuot manę, kad kiekvienas Qwen3-VL leidimas turi tą patį atsakymo stilių.\n\nVaizdiniai agentai ir vaizdinis programavimas\n\nQwen aprašo vaizdinio agento darbo eigą, kuri atpažįsta kompiuterių ar mobiliųjų įrenginių sąsajose esančius elementus, interpretuoja jų funkcijas ir naudoja įrankius užduotims atlikti. Modelis teikia suvokimą bei samprotavimą; programa turi prijungti ir vykdyti veiksmus. Sąsajos peržiūrai pateikite dabartinę ekrano kopiją ir konkretų tikslą, tuomet paprašykite nustatyti susijusius valdiklius ir paaiškinti kitą veiksmą. Vien vaizdas nesuteikia įrenginio valdymo.\n\nVaizdinis programavimas apima diagramų turinio ir HTML, CSS ar JavaScript generavimą iš vaizdų bei vaizdo įrašų. Pateikite ekrano kopiją su reikiamu išdėstymu, elgsena ir redaguojamu išvesties formatu. Kai tai palengvina peržiūrą, paprašykite puslapio struktūros ir stilių kaip atskirų artefaktų. Sugeneruotas kodas yra tekstas kūrimo darbo eigai; jis neįrodo, kad svetainė buvo atvaizduota ar pirminis vaizdas tapo veikiančia programa.\n\nErdvinis suvokimas\n\nGamintojas dokumentuoja samprotavimą apie objektų padėtis, žiūrėjimo taškus ir uždengimus, dvimatį susiejimą su vieta bei trimačio susiejimo palaikymą. Užduokite konkretų klausimą apie ryšį ir įvardykite dominantį objektą: pavyzdžiui, kuris komponentas uždengtas, kas yra prieš jį ir kurios vaizdinės užuominos pagrindžia tokią interpretaciją. Susiejimo su vieta gebėjimo nereikėtų laikyti kalibruotu fiziniu matavimu iš bet kokio paveikslo.\n\nIlgas kontekstas ir vaizdo įrašai\n\nNatyvus kontekstas yra 262,144 žetonų. Qwen aprašo išplėtimą iki maždaug vieno milijono per YaRN konfigūraciją ir šeimos darbo eigas su knygomis ar valandų trukmės vaizdo įrašais, indeksuojant įvykius sekundžių detalumu. Šie gebėjimai priklauso nuo atvaizdavimo, kadrų atrankos ir konteksto konfigūracijos; platus gamintojo aprašas negarantuoja tobulo kiekvieno kadro prisiminimo. Savo saugykloje Qwen šiai persipinančiai pozicinei schemai pataria naudoti dviejų ar trijų ekstrapoliacijos koeficientą, kai 256K plečiama iki maždaug 1M, užuot automatiškai nukopijavus keturių koeficientą iš kito modelio.\n\nMultimodalinis samprotavimas ir atpažinimas\n\nThinking leidimas skirtas įrodymais pagrįstam STEM ir matematiniam samprotavimui, priežastinei analizei bei loginiams atsakymams, jungiantiems tekstą su vaizdine medžiaga. Kartu pateikite schemą ir jos apibrėžimus arba diagramą ir tikslų skaitinį klausimą. Prieš išvadą paprašykite naudotų žymų bei reikšmių. Qwen taip pat aprašo platesnį vaizdinį žmonių, anime, produktų, lankytinų vietų, augalų ir gyvūnų atpažinimą. Atpažinimo atsakymas lieka išvada iš pateikto vaizdo, o ne garantija, kad galima įvardyti kiekvieną objektą ar tapatybę.\n\nOCR apima 32 kalbas ir sukurtas skaitymui esant silpnam apšvietimui, suliejimui ar pasvirimui gerinti, įskaitant specializuotą žodyną ir ilgų dokumentų struktūrą. Išsaugokite įskaitomus pirminius vaizdus ir paprašykite laukų, citatų ar struktūrizuotos lentelės, kurią galima patikrinti. Teksto ir vaizdinės informacijos supratimas sujungti viename modelyje, todėl klausimas gali kartu remtis dokumento ištrauka, paveikslu ir naudotojo instrukcijomis.\n\nArchitektūros pakeitimai\n\nInterleaved-MRoPE paskirsto pozicinį atvaizdavimą per laiką, plotį ir aukštį samprotavimui apie vaizdo įrašus. DeepStack sujungia vaizdinius požymius iš kelių koduotuvo lygių, kad užfiksuotų smulkesnes detales ir pagerintų vaizdo bei teksto suderinimą. Teksto ir laiko žymų suderinimas susieja įvykius su laiko nuorodomis. Išleista tekstinė konfigūracija turi 94 sluoksnius, 128 ekspertus ir kiekvienam žetonui parenka aštuonis ekspertus. Šios architektūros detalės paaiškina modelio multimodalinį atvaizdavimą; jos nenustato atsakymo trukmės garantijos.\n\nVaizdinės įvesties ir išvesties paruošimas\n\nGamintojo pavyzdžiai apima vieną ar kelis vaizdus, vaizdo įrašus ir tik tekstines užklausas. Pažymėkite kiekvieną vaizdinę įvestį, kad klausimas galėtų aiškiai ja remtis. Vaizdų ir vaizdo įrašų apdorojimo priemonės naudoja atskirus pikselių biudžetus: vaizdo biudžetas riboja jo pikselius, o vaizdo įrašo biudžetas apima pikselius visuose atrinktuose kadruose. Aiškiai nurodyti vaizdo matmenys derinami prie 32 kartotinių. Vaizdo įrašo atranką galima valdyti dažniu ar kadrų skaičiumi; dokumentuotas numatytasis nustatymas yra du kadrai per sekundę. Prašydami įvykių laiko juostos išsaugokite laiko žymas.\n\nIlgam įrašui prašykite įvykio, jo laiko intervalo ir matomų įrodymų, o ne nediferencijuotos santraukos. Keliems puslapiams paprašykite rezultato, sutvarkyto pagal puslapio identifikatorių. Šie paruošimo pavyzdžiai taiko dokumentuotus gebėjimus ir padeda išryškinti praleidimus ar išgavimo klaidas.\n\nGeneravimo rekomendacijos ir ribos\n\nKontrolinės versijos generavimo faile numatytoji temperatūra yra 0.8, top_p – 0.95, o top_k – 20. Atskiras Qwen Thinking vertinimo receptas naudoja 0.6 temperatūrą, nulinę buvimo baudą, 1.0 pasikartojimo baudą ir 40,960 žetonų išvesties limitą. Tai atskiri gamintojo išankstiniai nustatymai, o ne viena griežta išvesties riba. Šalia vaizdinių žetonų palikite vietos samprotavimui bei galutiniam tekstui ir prieš naudodami patikrinkite išgautą tekstą, apskaičiuotus atsakymus bei sugeneruotą kodą pagal šaltinį.", "editorialOverlay": { "copy_fields": { "practical_html": "Techninis pavyzdys anglų kalba
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-Thinking yra Qwen ekspertų mišinio vaizdo ir kalbos modelis samprotavimui apie tekstą, vaizdus ir vaizdo įrašus. Thinking leidimą naudokite STEM klausimams, dokumentų įrodymams, erdviniams ryšiams, vaizdiniam programavimui ir vaizdo įrašų analizei su laiko žymomis, turėdami natyvų 262,144 žetonų kontekstą.
Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau.
Įvadas: multimodalinis Thinking leidimas
Qwen3-VL-235B-A22B-Thinking yra į samprotavimą orientuotas Qwen3-VL ekspertų mišinio leidimas. Jis sujungia tekstą su vaizdais ir vaizdo įrašais, kurdamas tekstinius atsakymus ar kodą. Fiksuota Thinking kontrolinė versija atskira nuo Qwen3-VL-235B-A22B-Instruct ir atskirai pavadintų FP8 versijų. Rinkitės ją klausimui, kuriam reikia susieti vaizdinius įrodymus su ilgesniu paaiškinimu, užuot manę, kad kiekvienas Qwen3-VL leidimas turi tą patį atsakymo stilių.
Vaizdiniai agentai ir vaizdinis programavimas
Qwen aprašo vaizdinio agento darbo eigą, kuri atpažįsta kompiuterių ar mobiliųjų įrenginių sąsajose esančius elementus, interpretuoja jų funkcijas ir naudoja įrankius užduotims atlikti. Modelis teikia suvokimą bei samprotavimą; programa turi prijungti ir vykdyti veiksmus. Sąsajos peržiūrai pateikite dabartinę ekrano kopiją ir konkretų tikslą, tuomet paprašykite nustatyti susijusius valdiklius ir paaiškinti kitą veiksmą. Vien vaizdas nesuteikia įrenginio valdymo.
Vaizdinis programavimas apima diagramų turinio ir HTML, CSS ar JavaScript generavimą iš vaizdų bei vaizdo įrašų. Pateikite ekrano kopiją su reikiamu išdėstymu, elgsena ir redaguojamu išvesties formatu. Kai tai palengvina peržiūrą, paprašykite puslapio struktūros ir stilių kaip atskirų artefaktų. Sugeneruotas kodas yra tekstas kūrimo darbo eigai; jis neįrodo, kad svetainė buvo atvaizduota ar pirminis vaizdas tapo veikiančia programa.
Erdvinis suvokimas
Gamintojas dokumentuoja samprotavimą apie objektų padėtis, žiūrėjimo taškus ir uždengimus, dvimatį susiejimą su vieta bei trimačio susiejimo palaikymą. Užduokite konkretų klausimą apie ryšį ir įvardykite dominantį objektą: pavyzdžiui, kuris komponentas uždengtas, kas yra prieš jį ir kurios vaizdinės užuominos pagrindžia tokią interpretaciją. Susiejimo su vieta gebėjimo nereikėtų laikyti kalibruotu fiziniu matavimu iš bet kokio paveikslo.
Ilgas kontekstas ir vaizdo įrašai
Natyvus kontekstas yra 262,144 žetonų. Qwen aprašo išplėtimą iki maždaug vieno milijono per YaRN konfigūraciją ir šeimos darbo eigas su knygomis ar valandų trukmės vaizdo įrašais, indeksuojant įvykius sekundžių detalumu. Šie gebėjimai priklauso nuo atvaizdavimo, kadrų atrankos ir konteksto konfigūracijos; platus gamintojo aprašas negarantuoja tobulo kiekvieno kadro prisiminimo. Savo saugykloje Qwen šiai persipinančiai pozicinei schemai pataria naudoti dviejų ar trijų ekstrapoliacijos koeficientą, kai 256K plečiama iki maždaug 1M, užuot automatiškai nukopijavus keturių koeficientą iš kito modelio.
Multimodalinis samprotavimas ir atpažinimas
Thinking leidimas skirtas įrodymais pagrįstam STEM ir matematiniam samprotavimui, priežastinei analizei bei loginiams atsakymams, jungiantiems tekstą su vaizdine medžiaga. Kartu pateikite schemą ir jos apibrėžimus arba diagramą ir tikslų skaitinį klausimą. Prieš išvadą paprašykite naudotų žymų bei reikšmių. Qwen taip pat aprašo platesnį vaizdinį žmonių, anime, produktų, lankytinų vietų, augalų ir gyvūnų atpažinimą. Atpažinimo atsakymas lieka išvada iš pateikto vaizdo, o ne garantija, kad galima įvardyti kiekvieną objektą ar tapatybę.
OCR apima 32 kalbas ir sukurtas skaitymui esant silpnam apšvietimui, suliejimui ar pasvirimui gerinti, įskaitant specializuotą žodyną ir ilgų dokumentų struktūrą. Išsaugokite įskaitomus pirminius vaizdus ir paprašykite laukų, citatų ar struktūrizuotos lentelės, kurią galima patikrinti. Teksto ir vaizdinės informacijos supratimas sujungti viename modelyje, todėl klausimas gali kartu remtis dokumento ištrauka, paveikslu ir naudotojo instrukcijomis.
Architektūros pakeitimai
Interleaved-MRoPE paskirsto pozicinį atvaizdavimą per laiką, plotį ir aukštį samprotavimui apie vaizdo įrašus. DeepStack sujungia vaizdinius požymius iš kelių koduotuvo lygių, kad užfiksuotų smulkesnes detales ir pagerintų vaizdo bei teksto suderinimą. Teksto ir laiko žymų suderinimas susieja įvykius su laiko nuorodomis. Išleista tekstinė konfigūracija turi 94 sluoksnius, 128 ekspertus ir kiekvienam žetonui parenka aštuonis ekspertus. Šios architektūros detalės paaiškina modelio multimodalinį atvaizdavimą; jos nenustato atsakymo trukmės garantijos.
Vaizdinės įvesties ir išvesties paruošimas
Gamintojo pavyzdžiai apima vieną ar kelis vaizdus, vaizdo įrašus ir tik tekstines užklausas. Pažymėkite kiekvieną vaizdinę įvestį, kad klausimas galėtų aiškiai ja remtis. Vaizdų ir vaizdo įrašų apdorojimo priemonės naudoja atskirus pikselių biudžetus: vaizdo biudžetas riboja jo pikselius, o vaizdo įrašo biudžetas apima pikselius visuose atrinktuose kadruose. Aiškiai nurodyti vaizdo matmenys derinami prie 32 kartotinių. Vaizdo įrašo atranką galima valdyti dažniu ar kadrų skaičiumi; dokumentuotas numatytasis nustatymas yra du kadrai per sekundę. Prašydami įvykių laiko juostos išsaugokite laiko žymas.
Ilgam įrašui prašykite įvykio, jo laiko intervalo ir matomų įrodymų, o ne nediferencijuotos santraukos. Keliems puslapiams paprašykite rezultato, sutvarkyto pagal puslapio identifikatorių. Šie paruošimo pavyzdžiai taiko dokumentuotus gebėjimus ir padeda išryškinti praleidimus ar išgavimo klaidas.
Generavimo rekomendacijos ir ribos
Kontrolinės versijos generavimo faile numatytoji temperatūra yra 0.8, top_p – 0.95, o top_k – 20. Atskiras Qwen Thinking vertinimo receptas naudoja 0.6 temperatūrą, nulinę buvimo baudą, 1.0 pasikartojimo baudą ir 40,960 žetonų išvesties limitą. Tai atskiri gamintojo išankstiniai nustatymai, o ne viena griežta išvesties riba. Šalia vaizdinių žetonų palikite vietos samprotavimui bei galutiniam tekstui ir prieš naudodami patikrinkite išgautą tekstą, apskaičiuotus atsakymus bei sugeneruotą kodą pagal šaltinį.
POST /v1/chat/completionstexttext| Laukas | Tipas | Reikalavimas | Reikšmės ir ribos | Numatyta |
|---|---|---|---|---|
Laukasmodel | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos qwen/qwen3-vl-235b-a22b-thinking | Numatyta— |
Laukasmessages | Tipasmessage[] | ReikalavimasPrivaloma | Reikšmės ir ribos Mažiausias elementų skaičius: 1 | Numatyta— |
Laukasmessages[].role | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasmessages[].content | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos Taikoma, kai: Tekstinis pokalbis | Numatyta— |
Laukasstream | Tipasboolean | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatytafalse |
Tekstas · UTF8 tekstas
messages[].content
| Parametras | Specifikacija |
|---|---|
Parametrascontent_type | Specifikacijaapplication/json |
Parametrasrequired | Specifikacijamodel, messages |
Parametrasmaterial_types | Specifikacijatext |
Parametrasmessages | Specifikacijapranešimų masyvas su role/content struktūra |
Parametrasfile_material | Specifikacijatikrasis UTF-8 dokumentas įterptas kaip pažodinis tekstas; failo ID nenumanomas |
Parametrasoptional_controls | Specifikacijastream |
Parametrascontrol_scope | SpecifikacijaTekstinis pokalbis; stream yra loginė reikšmė, kurios numatytoji reikšmė yra false. |
Parametrasoutput_modalities | Specifikacijatext |
Parametrashosted_operations | Specifikacijafalse |
Parametrasmultimodal_input_binding | Specifikacijanull |
Metodo pseudonimai: /chat/completions
Gyvavimo ciklas: synchronous_or_streamed
Siųskite tikslų modelio ID kartu su messages.
Konteksto ilgis nėra išvesties limitas.
Teksto failas gali pateikti pažodinį tekstą; vaizdų / garso / failų objektų įvestims reikia tikslaus susiejimo.
Tarifų informacija neprideda užklausos parinkčių. Palaikomi parametrai nurodyti prie pasirinkto metodo.
| Konfigūracija | Įkainių lentelė | Mokestis |
|---|---|---|
| KonfigūracijaBaziniai žetonų įkainiai | Įkainių lentelėBazinis įkainis | Mokestis Įvestis · Įvesties tokenai $0.000572 / 1K tokenų Išvestis · Išvesties tokenai $0.00572 / 1K tokenų Įvestis · Talpyklos skaitymas $0 / 1K tokenų Įvestis · Rašymas į talpyklą $0 / 1K tokenų Įvestis · Rašymas į talpyklą, 1 val — / 1K tokenų |
Ailoot prieš užklausą rezervuoja numatomą sumą. Gavus rezultatą, galutinis mokestis nuskaitomas pagal išmatuotą naudojimą. Srautinio atsakymo atsiskaitymui naudojamas galutinis naudojimo įrašas. Kaip veikia rezervavimas ir atsiskaitymas →
set -eu\n: "${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 arba SSE
Išsaugokite kiekvieną visą grąžintą atsakymą, failą ir turinio dalį.
Išsaugokite kiekvieną variantą ir jo turinį / įrankių iškvietimus / samprotavimą. SSE prieaugius surinkite pagal varianto / įrankio indeksą; išsaugokite galutinę užbaigimo priežastį ir naudojimo duomenis.
Išsaugokite užklausų / atsakymų ID ir antraštes. Bendras teksto užduoties gavimo URL nepateikiamas.
| Laukas | Tipas |
|---|---|
Laukaschoices[].index | Tipasinteger |
Laukaschoices[].message.content | Tipasstring|null |
Laukaschoices[].message.tool_calls | Tipastool_call[] |
Laukaschoices[].message.reasoning_content | Tipasstring |
Laukaschoices[].message.reasoning_details | Tipasobject|array |
Laukaschoices[].finish_reason | Tipasstring|null |
Laukasusage | Tipasobject |
| Atsakymas | Sąlyga | Kitas žingsnis |
|---|---|---|
Atsakymas400 · invalid_request_error | SąlygaNetinkami privalomi laukai, medžiagos pateikimo forma arba parametro reikšmė | Kitas žingsnisPrieš naują kūrimo užklausą pataisykite nurodytus laukus. |
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-Thinking yra Qwen ekspertų mišinio vaizdo ir kalbos modelis samprotavimui apie tekstą, vaizdus ir vaizdo įrašus. Thinking leidimą naudokite STEM klausimams, dokumentų įrodymams, erdviniams ryšiams, vaizdiniam programavimui ir vaizdo įrašų analizei su laiko žymomis, turėdami natyvų 262,144 žetonų kontekstą.
Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau.
Įvadas: multimodalinis Thinking leidimas
Qwen3-VL-235B-A22B-Thinking yra į samprotavimą orientuotas Qwen3-VL ekspertų mišinio leidimas. Jis sujungia tekstą su vaizdais ir vaizdo įrašais, kurdamas tekstinius atsakymus ar kodą. Fiksuota Thinking kontrolinė versija atskira nuo Qwen3-VL-235B-A22B-Instruct ir atskirai pavadintų FP8 versijų. Rinkitės ją klausimui, kuriam reikia susieti vaizdinius įrodymus su ilgesniu paaiškinimu, užuot manę, kad kiekvienas Qwen3-VL leidimas turi tą patį atsakymo stilių.
Vaizdiniai agentai ir vaizdinis programavimas
Qwen aprašo vaizdinio agento darbo eigą, kuri atpažįsta kompiuterių ar mobiliųjų įrenginių sąsajose esančius elementus, interpretuoja jų funkcijas ir naudoja įrankius užduotims atlikti. Modelis teikia suvokimą bei samprotavimą; programa turi prijungti ir vykdyti veiksmus. Sąsajos peržiūrai pateikite dabartinę ekrano kopiją ir konkretų tikslą, tuomet paprašykite nustatyti susijusius valdiklius ir paaiškinti kitą veiksmą. Vien vaizdas nesuteikia įrenginio valdymo.
Vaizdinis programavimas apima diagramų turinio ir HTML, CSS ar JavaScript generavimą iš vaizdų bei vaizdo įrašų. Pateikite ekrano kopiją su reikiamu išdėstymu, elgsena ir redaguojamu išvesties formatu. Kai tai palengvina peržiūrą, paprašykite puslapio struktūros ir stilių kaip atskirų artefaktų. Sugeneruotas kodas yra tekstas kūrimo darbo eigai; jis neįrodo, kad svetainė buvo atvaizduota ar pirminis vaizdas tapo veikiančia programa.
Erdvinis suvokimas
Gamintojas dokumentuoja samprotavimą apie objektų padėtis, žiūrėjimo taškus ir uždengimus, dvimatį susiejimą su vieta bei trimačio susiejimo palaikymą. Užduokite konkretų klausimą apie ryšį ir įvardykite dominantį objektą: pavyzdžiui, kuris komponentas uždengtas, kas yra prieš jį ir kurios vaizdinės užuominos pagrindžia tokią interpretaciją. Susiejimo su vieta gebėjimo nereikėtų laikyti kalibruotu fiziniu matavimu iš bet kokio paveikslo.
Ilgas kontekstas ir vaizdo įrašai
Natyvus kontekstas yra 262,144 žetonų. Qwen aprašo išplėtimą iki maždaug vieno milijono per YaRN konfigūraciją ir šeimos darbo eigas su knygomis ar valandų trukmės vaizdo įrašais, indeksuojant įvykius sekundžių detalumu. Šie gebėjimai priklauso nuo atvaizdavimo, kadrų atrankos ir konteksto konfigūracijos; platus gamintojo aprašas negarantuoja tobulo kiekvieno kadro prisiminimo. Savo saugykloje Qwen šiai persipinančiai pozicinei schemai pataria naudoti dviejų ar trijų ekstrapoliacijos koeficientą, kai 256K plečiama iki maždaug 1M, užuot automatiškai nukopijavus keturių koeficientą iš kito modelio.
Multimodalinis samprotavimas ir atpažinimas
Thinking leidimas skirtas įrodymais pagrįstam STEM ir matematiniam samprotavimui, priežastinei analizei bei loginiams atsakymams, jungiantiems tekstą su vaizdine medžiaga. Kartu pateikite schemą ir jos apibrėžimus arba diagramą ir tikslų skaitinį klausimą. Prieš išvadą paprašykite naudotų žymų bei reikšmių. Qwen taip pat aprašo platesnį vaizdinį žmonių, anime, produktų, lankytinų vietų, augalų ir gyvūnų atpažinimą. Atpažinimo atsakymas lieka išvada iš pateikto vaizdo, o ne garantija, kad galima įvardyti kiekvieną objektą ar tapatybę.
OCR apima 32 kalbas ir sukurtas skaitymui esant silpnam apšvietimui, suliejimui ar pasvirimui gerinti, įskaitant specializuotą žodyną ir ilgų dokumentų struktūrą. Išsaugokite įskaitomus pirminius vaizdus ir paprašykite laukų, citatų ar struktūrizuotos lentelės, kurią galima patikrinti. Teksto ir vaizdinės informacijos supratimas sujungti viename modelyje, todėl klausimas gali kartu remtis dokumento ištrauka, paveikslu ir naudotojo instrukcijomis.
Architektūros pakeitimai
Interleaved-MRoPE paskirsto pozicinį atvaizdavimą per laiką, plotį ir aukštį samprotavimui apie vaizdo įrašus. DeepStack sujungia vaizdinius požymius iš kelių koduotuvo lygių, kad užfiksuotų smulkesnes detales ir pagerintų vaizdo bei teksto suderinimą. Teksto ir laiko žymų suderinimas susieja įvykius su laiko nuorodomis. Išleista tekstinė konfigūracija turi 94 sluoksnius, 128 ekspertus ir kiekvienam žetonui parenka aštuonis ekspertus. Šios architektūros detalės paaiškina modelio multimodalinį atvaizdavimą; jos nenustato atsakymo trukmės garantijos.
Vaizdinės įvesties ir išvesties paruošimas
Gamintojo pavyzdžiai apima vieną ar kelis vaizdus, vaizdo įrašus ir tik tekstines užklausas. Pažymėkite kiekvieną vaizdinę įvestį, kad klausimas galėtų aiškiai ja remtis. Vaizdų ir vaizdo įrašų apdorojimo priemonės naudoja atskirus pikselių biudžetus: vaizdo biudžetas riboja jo pikselius, o vaizdo įrašo biudžetas apima pikselius visuose atrinktuose kadruose. Aiškiai nurodyti vaizdo matmenys derinami prie 32 kartotinių. Vaizdo įrašo atranką galima valdyti dažniu ar kadrų skaičiumi; dokumentuotas numatytasis nustatymas yra du kadrai per sekundę. Prašydami įvykių laiko juostos išsaugokite laiko žymas.
Ilgam įrašui prašykite įvykio, jo laiko intervalo ir matomų įrodymų, o ne nediferencijuotos santraukos. Keliems puslapiams paprašykite rezultato, sutvarkyto pagal puslapio identifikatorių. Šie paruošimo pavyzdžiai taiko dokumentuotus gebėjimus ir padeda išryškinti praleidimus ar išgavimo klaidas.
Generavimo rekomendacijos ir ribos
Kontrolinės versijos generavimo faile numatytoji temperatūra yra 0.8, top_p – 0.95, o top_k – 20. Atskiras Qwen Thinking vertinimo receptas naudoja 0.6 temperatūrą, nulinę buvimo baudą, 1.0 pasikartojimo baudą ir 40,960 žetonų išvesties limitą. Tai atskiri gamintojo išankstiniai nustatymai, o ne viena griežta išvesties riba. Šalia vaizdinių žetonų palikite vietos samprotavimui bei galutiniam tekstui ir prieš naudodami patikrinkite išgautą tekstą, apskaičiuotus atsakymus bei sugeneruotą kodą pagal šaltinį.
POST /v1/messagestextjson, sse| Laukas | Tipas | Reikalavimas | Reikšmės ir ribos | Numatyta |
|---|---|---|---|---|
Laukasmodel | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos qwen/qwen3-vl-235b-a22b-thinking | Numatyta— |
Laukasmessages | Tipasmessage[] | ReikalavimasPrivaloma | Reikšmės ir ribos | Numatyta— |
Laukasmessages[].role | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos user, assistant | Numatyta— |
Laukasmessages[].content | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos | Numatyta— |
Laukasmax_tokens | Tipasinteger | ReikalavimasPrivaloma | Reikšmės ir ribos | Numatyta— |
Laukasstream | Tipasboolean | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatytafalse |
Tekstas · UTF-8 tekstas
messages[].content eilutė
| Parametras | Specifikacija |
|---|---|
Parametrascontent_type | Specifikacijaapplication/json |
Parametrasrequired | Specifikacijamodel, messages, max_tokens |
Parametrasoptional_controls | Specifikacijastream |
Parametrasmaterial_types | Specifikacijatext |
Parametrastext_file_material | SpecifikacijaPerskaitykite tikrąjį UTF-8 dokumentą ir įterpkite jo tekstą į nurodytą input lauką arba pranešimo turinio eilutę. |
Gyvavimo ciklas: synchronous_or_streamed
Tarifų informacija neprideda užklausos parinkčių. Palaikomi parametrai nurodyti prie pasirinkto metodo.
| Konfigūracija | Įkainių lentelė | Mokestis |
|---|---|---|
| KonfigūracijaBaziniai žetonų įkainiai | Įkainių lentelėBazinis įkainis | Mokestis Įvestis · Įvesties tokenai $0.000572 / 1K tokenų Išvestis · Išvesties tokenai $0.00572 / 1K tokenų Įvestis · Talpyklos skaitymas $0 / 1K tokenų Įvestis · Rašymas į talpyklą $0 / 1K tokenų Įvestis · Rašymas į talpyklą, 1 val — / 1K tokenų |
Ailoot prieš užklausą rezervuoja numatomą sumą. Gavus rezultatą, galutinis mokestis nuskaitomas pagal išmatuotą naudojimą. Srautinio atsakymo atsiskaitymui naudojamas galutinis naudojimo įrašas. Kaip veikia rezervavimas ir atsiskaitymas →
{\n "model": "qwen/qwen3-vl-235b-a22b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 arba SSE
Išsaugokite kiekvieną visą grąžintą atsakymą, failą ir turinio dalį.
Išsaugokite visus turinio blokus, mąstymo parašus ir tikruosius įrankių naudojimo ID. Surinkite visus SSE blokų prieaugius; pirmasis teksto blokas nėra visa išvestis.
Išsaugokite užklausų / atsakymų ID ir antraštes. Bendras teksto užduoties gavimo URL nepateikiamas.
| Laukas | Tipas |
|---|---|
Laukasid | Tipasstring |
Laukasmodel | Tipasstring |
Laukascontent[] | Tipastext|thinking|tool_use|other content block |
Laukasstop_reason | Tipasstring|null |
Laukasusage | Tipasobject |
| Atsakymas | Sąlyga | Kitas žingsnis |
|---|---|---|
Atsakymas400 · invalid_request_error | SąlygaNetinkami privalomi laukai, medžiagos pateikimo forma arba parametro reikšmė | Kitas žingsnisPrieš naują kūrimo užklausą pataisykite nurodytus laukus. |
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-Thinking yra Qwen ekspertų mišinio vaizdo ir kalbos modelis samprotavimui apie tekstą, vaizdus ir vaizdo įrašus. Thinking leidimą naudokite STEM klausimams, dokumentų įrodymams, erdviniams ryšiams, vaizdiniam programavimui ir vaizdo įrašų analizei su laiko žymomis, turėdami natyvų 262,144 žetonų kontekstą.
Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau.
Įvadas: multimodalinis Thinking leidimas
Qwen3-VL-235B-A22B-Thinking yra į samprotavimą orientuotas Qwen3-VL ekspertų mišinio leidimas. Jis sujungia tekstą su vaizdais ir vaizdo įrašais, kurdamas tekstinius atsakymus ar kodą. Fiksuota Thinking kontrolinė versija atskira nuo Qwen3-VL-235B-A22B-Instruct ir atskirai pavadintų FP8 versijų. Rinkitės ją klausimui, kuriam reikia susieti vaizdinius įrodymus su ilgesniu paaiškinimu, užuot manę, kad kiekvienas Qwen3-VL leidimas turi tą patį atsakymo stilių.
Vaizdiniai agentai ir vaizdinis programavimas
Qwen aprašo vaizdinio agento darbo eigą, kuri atpažįsta kompiuterių ar mobiliųjų įrenginių sąsajose esančius elementus, interpretuoja jų funkcijas ir naudoja įrankius užduotims atlikti. Modelis teikia suvokimą bei samprotavimą; programa turi prijungti ir vykdyti veiksmus. Sąsajos peržiūrai pateikite dabartinę ekrano kopiją ir konkretų tikslą, tuomet paprašykite nustatyti susijusius valdiklius ir paaiškinti kitą veiksmą. Vien vaizdas nesuteikia įrenginio valdymo.
Vaizdinis programavimas apima diagramų turinio ir HTML, CSS ar JavaScript generavimą iš vaizdų bei vaizdo įrašų. Pateikite ekrano kopiją su reikiamu išdėstymu, elgsena ir redaguojamu išvesties formatu. Kai tai palengvina peržiūrą, paprašykite puslapio struktūros ir stilių kaip atskirų artefaktų. Sugeneruotas kodas yra tekstas kūrimo darbo eigai; jis neįrodo, kad svetainė buvo atvaizduota ar pirminis vaizdas tapo veikiančia programa.
Erdvinis suvokimas
Gamintojas dokumentuoja samprotavimą apie objektų padėtis, žiūrėjimo taškus ir uždengimus, dvimatį susiejimą su vieta bei trimačio susiejimo palaikymą. Užduokite konkretų klausimą apie ryšį ir įvardykite dominantį objektą: pavyzdžiui, kuris komponentas uždengtas, kas yra prieš jį ir kurios vaizdinės užuominos pagrindžia tokią interpretaciją. Susiejimo su vieta gebėjimo nereikėtų laikyti kalibruotu fiziniu matavimu iš bet kokio paveikslo.
Ilgas kontekstas ir vaizdo įrašai
Natyvus kontekstas yra 262,144 žetonų. Qwen aprašo išplėtimą iki maždaug vieno milijono per YaRN konfigūraciją ir šeimos darbo eigas su knygomis ar valandų trukmės vaizdo įrašais, indeksuojant įvykius sekundžių detalumu. Šie gebėjimai priklauso nuo atvaizdavimo, kadrų atrankos ir konteksto konfigūracijos; platus gamintojo aprašas negarantuoja tobulo kiekvieno kadro prisiminimo. Savo saugykloje Qwen šiai persipinančiai pozicinei schemai pataria naudoti dviejų ar trijų ekstrapoliacijos koeficientą, kai 256K plečiama iki maždaug 1M, užuot automatiškai nukopijavus keturių koeficientą iš kito modelio.
Multimodalinis samprotavimas ir atpažinimas
Thinking leidimas skirtas įrodymais pagrįstam STEM ir matematiniam samprotavimui, priežastinei analizei bei loginiams atsakymams, jungiantiems tekstą su vaizdine medžiaga. Kartu pateikite schemą ir jos apibrėžimus arba diagramą ir tikslų skaitinį klausimą. Prieš išvadą paprašykite naudotų žymų bei reikšmių. Qwen taip pat aprašo platesnį vaizdinį žmonių, anime, produktų, lankytinų vietų, augalų ir gyvūnų atpažinimą. Atpažinimo atsakymas lieka išvada iš pateikto vaizdo, o ne garantija, kad galima įvardyti kiekvieną objektą ar tapatybę.
OCR apima 32 kalbas ir sukurtas skaitymui esant silpnam apšvietimui, suliejimui ar pasvirimui gerinti, įskaitant specializuotą žodyną ir ilgų dokumentų struktūrą. Išsaugokite įskaitomus pirminius vaizdus ir paprašykite laukų, citatų ar struktūrizuotos lentelės, kurią galima patikrinti. Teksto ir vaizdinės informacijos supratimas sujungti viename modelyje, todėl klausimas gali kartu remtis dokumento ištrauka, paveikslu ir naudotojo instrukcijomis.
Architektūros pakeitimai
Interleaved-MRoPE paskirsto pozicinį atvaizdavimą per laiką, plotį ir aukštį samprotavimui apie vaizdo įrašus. DeepStack sujungia vaizdinius požymius iš kelių koduotuvo lygių, kad užfiksuotų smulkesnes detales ir pagerintų vaizdo bei teksto suderinimą. Teksto ir laiko žymų suderinimas susieja įvykius su laiko nuorodomis. Išleista tekstinė konfigūracija turi 94 sluoksnius, 128 ekspertus ir kiekvienam žetonui parenka aštuonis ekspertus. Šios architektūros detalės paaiškina modelio multimodalinį atvaizdavimą; jos nenustato atsakymo trukmės garantijos.
Vaizdinės įvesties ir išvesties paruošimas
Gamintojo pavyzdžiai apima vieną ar kelis vaizdus, vaizdo įrašus ir tik tekstines užklausas. Pažymėkite kiekvieną vaizdinę įvestį, kad klausimas galėtų aiškiai ja remtis. Vaizdų ir vaizdo įrašų apdorojimo priemonės naudoja atskirus pikselių biudžetus: vaizdo biudžetas riboja jo pikselius, o vaizdo įrašo biudžetas apima pikselius visuose atrinktuose kadruose. Aiškiai nurodyti vaizdo matmenys derinami prie 32 kartotinių. Vaizdo įrašo atranką galima valdyti dažniu ar kadrų skaičiumi; dokumentuotas numatytasis nustatymas yra du kadrai per sekundę. Prašydami įvykių laiko juostos išsaugokite laiko žymas.
Ilgam įrašui prašykite įvykio, jo laiko intervalo ir matomų įrodymų, o ne nediferencijuotos santraukos. Keliems puslapiams paprašykite rezultato, sutvarkyto pagal puslapio identifikatorių. Šie paruošimo pavyzdžiai taiko dokumentuotus gebėjimus ir padeda išryškinti praleidimus ar išgavimo klaidas.
Generavimo rekomendacijos ir ribos
Kontrolinės versijos generavimo faile numatytoji temperatūra yra 0.8, top_p – 0.95, o top_k – 20. Atskiras Qwen Thinking vertinimo receptas naudoja 0.6 temperatūrą, nulinę buvimo baudą, 1.0 pasikartojimo baudą ir 40,960 žetonų išvesties limitą. Tai atskiri gamintojo išankstiniai nustatymai, o ne viena griežta išvesties riba. Šalia vaizdinių žetonų palikite vietos samprotavimui bei galutiniam tekstui ir prieš naudodami patikrinkite išgautą tekstą, apskaičiuotus atsakymus bei sugeneruotą kodą pagal šaltinį.
POST /v1/chat/completionstexttext| Laukas | Tipas | Reikalavimas | Reikšmės ir ribos | Numatyta |
|---|---|---|---|---|
Laukasmodel | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos qwen3-vl-235b-a22b-thinking | Numatyta— |
Laukasmessages | Tipasmessage[] | ReikalavimasPrivaloma | Reikšmės ir ribos Mažiausias elementų skaičius: 1 | Numatyta— |
Laukasmessages[].role | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos Pavyzdžiai: system, user, assistant, tool, function Sąlygos: Šie vaidmenys aiškiai išreikšti šaltinio kodo suderinamumo tipuose; tikslus vaidmenų rinkinys priklauso nuo konkretaus modelio. Priklauso nuo modelio | Numatyta— |
Laukasmessages[].content | Tipasstring|content_part[]|null | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukasmessages[].tool_calls | Tipastool_call[] | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukasmessages[].tool_call_id | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos Taikoma, kai: role=tool; naudokite tikrąjį grąžintą ID | Numatyta— |
Laukasmessages[].name | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukasmessages[].reasoning_content | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos Taikoma, kai: Grąžinkite tikrąjį gautą samprotavimą ten, kur šis modelis jį naudoja | Numatyta— |
Laukasmessages[].reasoning_details | Tipasobject|array | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasmax_tokens | Tipasinteger | ReikalavimasNeprivaloma | Reikšmės ir ribos Mažiausia reikšmė: 1 Priklauso nuo modelio | Numatyta— |
Laukasmax_completion_tokens | Tipasinteger | ReikalavimasNeprivaloma | Reikšmės ir ribos Mažiausia reikšmė: 1 Priklauso nuo modelio | Numatyta— |
Laukasstream | Tipasboolean | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatytafalse |
Laukasstream_options.include_usage | Tipasboolean | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukastemperature | Tipasnumber | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukastop_p | Tipasnumber | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasstop | Tipasstring|string[] | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukastools | Tipasfunction_tool[] | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukastools[].type | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos function Priklauso nuo modelio | Numatyta— |
Laukastools[].function.name | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos Taikoma, kai: pateiktas funkcijos tipo įrankis | Numatyta— |
Laukastools[].function.description | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukastools[].function.parameters | TipasJSON_schema | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukastool_choice | Tipasstring|object | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasparallel_tool_calls | Tipasboolean | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasresponse_format | Tipasobject | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasreasoning_effort | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasreasoning | Tipasobject | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasservice_tier | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasinstructions | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos Suderinamumo laukas | Numatyta— |
Laukasfunctions | Tipasfunction[] | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasfunction_call | Tipasstring|object | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasprompt_cache_options | Tipasobject | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasmodalities | Tipasstring[] | ReikalavimasNeprivaloma | Reikšmės ir ribos text | Numatyta— |
Laukasprovider | Tipasobject | ReikalavimasNeprivaloma | Reikšmės ir ribos Sąlygos: provider.options šiame Ultra teksto maršrute atmetamas | Numatyta— |
Laukascache_control.ttl | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos Sąlygos: 1h atmetamas tikrosiose užklausų podėlio vietose | Numatyta— |
Tekstas · UTF8 tekstas
messages[].content
| Parametras | Specifikacija |
|---|---|
Parametrascontent_type | Specifikacijaapplication/json |
Parametrasrequired | Specifikacijamodel, messages |
Parametrasmaterial_types | Specifikacijatext |
Parametrasmessages | Specifikacijapranešimų masyvas su role/content struktūra |
Parametrasfile_material | Specifikacijatikrasis UTF-8 dokumentas įterptas kaip pažodinis tekstas; failo ID nenumanomas |
Parametrasoptional_controls | Specifikacijastream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrascontrol_scope | Specifikacijapriklauso nuo modelio; naudotojo funkcijų įrankiai skiriasi nuo priglobtų įrankių |
Parametrasoutput_modalities | Specifikacijatext |
Parametrashosted_operations | Specifikacijafalse |
Parametrasmultimodal_input_binding | Specifikacijanull |
Gyvavimo ciklas: synchronous_or_streamed
Siųskite tikslų modelio ID kartu su messages.
Konteksto ilgis nėra išvesties limitas.
Teksto failas gali pateikti pažodinį tekstą; vaizdų / garso / failų objektų įvestims reikia tikslaus susiejimo.
Tarifų informacija neprideda užklausos parinkčių. Palaikomi parametrai nurodyti prie pasirinkto metodo.
| Konfigūracija | Įkainių lentelė | Mokestis |
|---|---|---|
| KonfigūracijaBaziniai žetonų įkainiai | Įkainių lentelėBazinis įkainis | Mokestis Įvestis · Įvesties tokenai $0.000572 / 1K tokenų Išvestis · Išvesties tokenai $0.00572 / 1K tokenų Įvestis · Talpyklos skaitymas $0 / 1K tokenų Įvestis · Rašymas į talpyklą $0 / 1K tokenų Įvestis · Rašymas į talpyklą, 1 val — / 1K tokenų |
Ailoot prieš užklausą rezervuoja numatomą sumą. Gavus rezultatą, galutinis mokestis nuskaitomas pagal išmatuotą naudojimą. Srautinio atsakymo atsiskaitymui naudojamas galutinis naudojimo įrašas. Kaip veikia rezervavimas ir atsiskaitymas →
set -eu\n: "${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 arba SSE
Išsaugokite kiekvieną visą grąžintą atsakymą, failą ir turinio dalį.
Išsaugokite kiekvieną variantą ir jo turinį / įrankių iškvietimus / samprotavimą. SSE prieaugius surinkite pagal varianto / įrankio indeksą; išsaugokite galutinę užbaigimo priežastį ir naudojimo duomenis.
Išsaugokite užklausų / atsakymų ID ir antraštes. Bendras teksto užduoties gavimo URL nepateikiamas.
| Laukas | Tipas |
|---|---|
Laukaschoices[].index | Tipasinteger |
Laukaschoices[].message.content | Tipasstring|null |
Laukaschoices[].message.tool_calls | Tipastool_call[] |
Laukaschoices[].message.reasoning_content | Tipasstring |
Laukaschoices[].message.reasoning_details | Tipasobject|array |
Laukaschoices[].finish_reason | Tipasstring|null |
Laukasusage | Tipasobject |
| Atsakymas | Sąlyga | Kitas žingsnis |
|---|---|---|
Atsakymas400 · invalid_request_error | SąlygaNetinkami privalomi laukai, medžiagos pateikimo forma arba parametro reikšmė | Kitas žingsnisPrieš naują kūrimo užklausą pataisykite nurodytus laukus. |
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-Thinking yra Qwen ekspertų mišinio vaizdo ir kalbos modelis samprotavimui apie tekstą, vaizdus ir vaizdo įrašus. Thinking leidimą naudokite STEM klausimams, dokumentų įrodymams, erdviniams ryšiams, vaizdiniam programavimui ir vaizdo įrašų analizei su laiko žymomis, turėdami natyvų 262,144 žetonų kontekstą.
Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau.
Įvadas: multimodalinis Thinking leidimas
Qwen3-VL-235B-A22B-Thinking yra į samprotavimą orientuotas Qwen3-VL ekspertų mišinio leidimas. Jis sujungia tekstą su vaizdais ir vaizdo įrašais, kurdamas tekstinius atsakymus ar kodą. Fiksuota Thinking kontrolinė versija atskira nuo Qwen3-VL-235B-A22B-Instruct ir atskirai pavadintų FP8 versijų. Rinkitės ją klausimui, kuriam reikia susieti vaizdinius įrodymus su ilgesniu paaiškinimu, užuot manę, kad kiekvienas Qwen3-VL leidimas turi tą patį atsakymo stilių.
Vaizdiniai agentai ir vaizdinis programavimas
Qwen aprašo vaizdinio agento darbo eigą, kuri atpažįsta kompiuterių ar mobiliųjų įrenginių sąsajose esančius elementus, interpretuoja jų funkcijas ir naudoja įrankius užduotims atlikti. Modelis teikia suvokimą bei samprotavimą; programa turi prijungti ir vykdyti veiksmus. Sąsajos peržiūrai pateikite dabartinę ekrano kopiją ir konkretų tikslą, tuomet paprašykite nustatyti susijusius valdiklius ir paaiškinti kitą veiksmą. Vien vaizdas nesuteikia įrenginio valdymo.
Vaizdinis programavimas apima diagramų turinio ir HTML, CSS ar JavaScript generavimą iš vaizdų bei vaizdo įrašų. Pateikite ekrano kopiją su reikiamu išdėstymu, elgsena ir redaguojamu išvesties formatu. Kai tai palengvina peržiūrą, paprašykite puslapio struktūros ir stilių kaip atskirų artefaktų. Sugeneruotas kodas yra tekstas kūrimo darbo eigai; jis neįrodo, kad svetainė buvo atvaizduota ar pirminis vaizdas tapo veikiančia programa.
Erdvinis suvokimas
Gamintojas dokumentuoja samprotavimą apie objektų padėtis, žiūrėjimo taškus ir uždengimus, dvimatį susiejimą su vieta bei trimačio susiejimo palaikymą. Užduokite konkretų klausimą apie ryšį ir įvardykite dominantį objektą: pavyzdžiui, kuris komponentas uždengtas, kas yra prieš jį ir kurios vaizdinės užuominos pagrindžia tokią interpretaciją. Susiejimo su vieta gebėjimo nereikėtų laikyti kalibruotu fiziniu matavimu iš bet kokio paveikslo.
Ilgas kontekstas ir vaizdo įrašai
Natyvus kontekstas yra 262,144 žetonų. Qwen aprašo išplėtimą iki maždaug vieno milijono per YaRN konfigūraciją ir šeimos darbo eigas su knygomis ar valandų trukmės vaizdo įrašais, indeksuojant įvykius sekundžių detalumu. Šie gebėjimai priklauso nuo atvaizdavimo, kadrų atrankos ir konteksto konfigūracijos; platus gamintojo aprašas negarantuoja tobulo kiekvieno kadro prisiminimo. Savo saugykloje Qwen šiai persipinančiai pozicinei schemai pataria naudoti dviejų ar trijų ekstrapoliacijos koeficientą, kai 256K plečiama iki maždaug 1M, užuot automatiškai nukopijavus keturių koeficientą iš kito modelio.
Multimodalinis samprotavimas ir atpažinimas
Thinking leidimas skirtas įrodymais pagrįstam STEM ir matematiniam samprotavimui, priežastinei analizei bei loginiams atsakymams, jungiantiems tekstą su vaizdine medžiaga. Kartu pateikite schemą ir jos apibrėžimus arba diagramą ir tikslų skaitinį klausimą. Prieš išvadą paprašykite naudotų žymų bei reikšmių. Qwen taip pat aprašo platesnį vaizdinį žmonių, anime, produktų, lankytinų vietų, augalų ir gyvūnų atpažinimą. Atpažinimo atsakymas lieka išvada iš pateikto vaizdo, o ne garantija, kad galima įvardyti kiekvieną objektą ar tapatybę.
OCR apima 32 kalbas ir sukurtas skaitymui esant silpnam apšvietimui, suliejimui ar pasvirimui gerinti, įskaitant specializuotą žodyną ir ilgų dokumentų struktūrą. Išsaugokite įskaitomus pirminius vaizdus ir paprašykite laukų, citatų ar struktūrizuotos lentelės, kurią galima patikrinti. Teksto ir vaizdinės informacijos supratimas sujungti viename modelyje, todėl klausimas gali kartu remtis dokumento ištrauka, paveikslu ir naudotojo instrukcijomis.
Architektūros pakeitimai
Interleaved-MRoPE paskirsto pozicinį atvaizdavimą per laiką, plotį ir aukštį samprotavimui apie vaizdo įrašus. DeepStack sujungia vaizdinius požymius iš kelių koduotuvo lygių, kad užfiksuotų smulkesnes detales ir pagerintų vaizdo bei teksto suderinimą. Teksto ir laiko žymų suderinimas susieja įvykius su laiko nuorodomis. Išleista tekstinė konfigūracija turi 94 sluoksnius, 128 ekspertus ir kiekvienam žetonui parenka aštuonis ekspertus. Šios architektūros detalės paaiškina modelio multimodalinį atvaizdavimą; jos nenustato atsakymo trukmės garantijos.
Vaizdinės įvesties ir išvesties paruošimas
Gamintojo pavyzdžiai apima vieną ar kelis vaizdus, vaizdo įrašus ir tik tekstines užklausas. Pažymėkite kiekvieną vaizdinę įvestį, kad klausimas galėtų aiškiai ja remtis. Vaizdų ir vaizdo įrašų apdorojimo priemonės naudoja atskirus pikselių biudžetus: vaizdo biudžetas riboja jo pikselius, o vaizdo įrašo biudžetas apima pikselius visuose atrinktuose kadruose. Aiškiai nurodyti vaizdo matmenys derinami prie 32 kartotinių. Vaizdo įrašo atranką galima valdyti dažniu ar kadrų skaičiumi; dokumentuotas numatytasis nustatymas yra du kadrai per sekundę. Prašydami įvykių laiko juostos išsaugokite laiko žymas.
Ilgam įrašui prašykite įvykio, jo laiko intervalo ir matomų įrodymų, o ne nediferencijuotos santraukos. Keliems puslapiams paprašykite rezultato, sutvarkyto pagal puslapio identifikatorių. Šie paruošimo pavyzdžiai taiko dokumentuotus gebėjimus ir padeda išryškinti praleidimus ar išgavimo klaidas.
Generavimo rekomendacijos ir ribos
Kontrolinės versijos generavimo faile numatytoji temperatūra yra 0.8, top_p – 0.95, o top_k – 20. Atskiras Qwen Thinking vertinimo receptas naudoja 0.6 temperatūrą, nulinę buvimo baudą, 1.0 pasikartojimo baudą ir 40,960 žetonų išvesties limitą. Tai atskiri gamintojo išankstiniai nustatymai, o ne viena griežta išvesties riba. Šalia vaizdinių žetonų palikite vietos samprotavimui bei galutiniam tekstui ir prieš naudodami patikrinkite išgautą tekstą, apskaičiuotus atsakymus bei sugeneruotą kodą pagal šaltinį.
POST /v1/messagestextjson, sse| Laukas | Tipas | Reikalavimas | Reikšmės ir ribos | Numatyta |
|---|---|---|---|---|
Laukasmodel | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos qwen3-vl-235b-a22b-thinking | Numatyta— |
Laukasmessages | Tipasmessage[] | ReikalavimasPrivaloma | Reikšmės ir ribos | Numatyta— |
Laukasmessages[].role | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos user, assistant | Numatyta— |
Laukasmessages[].content | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos | Numatyta— |
Laukasmax_tokens | Tipasinteger | ReikalavimasPrivaloma | Reikšmės ir ribos | Numatyta— |
Laukasstream | Tipasboolean | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatytafalse |
Tekstas · UTF-8 tekstas
messages[].content eilutė
| Parametras | Specifikacija |
|---|---|
Parametrascontent_type | Specifikacijaapplication/json |
Parametrasrequired | Specifikacijamodel, messages, max_tokens |
Parametrasoptional_controls | Specifikacijastream |
Parametrasmaterial_types | Specifikacijatext |
Parametrastext_file_material | SpecifikacijaPerskaitykite tikrąjį UTF-8 dokumentą ir įterpkite jo tekstą į nurodytą input lauką arba pranešimo turinio eilutę. |
Gyvavimo ciklas: synchronous_or_streamed
Tarifų informacija neprideda užklausos parinkčių. Palaikomi parametrai nurodyti prie pasirinkto metodo.
| Konfigūracija | Įkainių lentelė | Mokestis |
|---|---|---|
| KonfigūracijaBaziniai žetonų įkainiai | Įkainių lentelėBazinis įkainis | Mokestis Įvestis · Įvesties tokenai $0.000572 / 1K tokenų Išvestis · Išvesties tokenai $0.00572 / 1K tokenų Įvestis · Talpyklos skaitymas $0 / 1K tokenų Įvestis · Rašymas į talpyklą $0 / 1K tokenų Įvestis · Rašymas į talpyklą, 1 val — / 1K tokenų |
Ailoot prieš užklausą rezervuoja numatomą sumą. Gavus rezultatą, galutinis mokestis nuskaitomas pagal išmatuotą naudojimą. Srautinio atsakymo atsiskaitymui naudojamas galutinis naudojimo įrašas. Kaip veikia rezervavimas ir atsiskaitymas →
{\n "model": "qwen3-vl-235b-a22b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 arba SSE
Išsaugokite kiekvieną visą grąžintą atsakymą, failą ir turinio dalį.
Išsaugokite visus turinio blokus, mąstymo parašus ir tikruosius įrankių naudojimo ID. Surinkite visus SSE blokų prieaugius; pirmasis teksto blokas nėra visa išvestis.
Išsaugokite užklausų / atsakymų ID ir antraštes. Bendras teksto užduoties gavimo URL nepateikiamas.
| Laukas | Tipas |
|---|---|
Laukasid | Tipasstring |
Laukasmodel | Tipasstring |
Laukascontent[] | Tipastext|thinking|tool_use|other content block |
Laukasstop_reason | Tipasstring|null |
Laukasusage | Tipasobject |
| Atsakymas | Sąlyga | Kitas žingsnis |
|---|---|---|
Atsakymas400 · invalid_request_error | SąlygaNetinkami privalomi laukai, medžiagos pateikimo forma arba parametro reikšmė | Kitas žingsnisPrieš naują kūrimo užklausą pataisykite nurodytus laukus. |
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
Techninis pavyzdys anglų kalba
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.