Qwen3-VL-8B-Thinking ialah edisi padat 8B berfokus penaakulan dalam keluarga Qwen3-VL Alibaba. Ia menggabungkan teks, imej dan video dalam tugas yang sama serta menjana teks. Qwen mengeluarkan edisi Thinking dan Instruct secara berasingan; kad ini berkaitan model Thinking yang dinamakan, dengan tujuan termasuk menganalisis bukti visual sebelum menghasilkan jawapan. Kerja teks sahaja juga sebahagian daripada keupayaan bahasa model.
Pengeluar membentangkan ejen visual terlebih dahulu: model boleh mengecam elemen antara muka desktop atau mudah alih, mentafsir fungsinya dan menaakul tentang interaksi seterusnya. Dalam aplikasi, tangkap layar membekalkan keadaan semasa dan alat melaksanakan tindakan yang dipilih. Ringkasan tugas yang berguna memberikan matlamat pengguna, skrin yang kelihatan dan tindakan yang dibenarkan, kemudian meminta langkah seterusnya serta elemen yang menyokongnya. Tafsiran yang dijana berbeza daripada tindakan yang dilaksanakan aplikasi di sekelilingnya.
Pengekodan visual menghubungkan imej atau video rujukan dengan kod teks. Qwen mendokumenkan rajah Draw.io serta HTML, CSS dan JavaScript sebagai contoh output. Bekalkan tangkap layar atau lakaran bersama tingkah laku, kandungan dan susun atur sasaran yang diperlukan; minta artifak kod atau rajah yang boleh disunting. Untuk kerja ruang, keluarga ini menerangkan kedudukan objek, sudut pandangan dan oklusi, dengan penambatan 2D serta penambatan 3D. Nyatakan konvensyen koordinat jika memerlukan lokasi, supaya kedudukan yang diterangkan dan kotak yang diminta menggunakan rujukan yang sama.
Konteks natif ialah 256K token untuk teks dan bahan visual berselang. Kad model turut menerangkan peluasan kepada satu juta token, yang merupakan peluasan berasingan yang dikonfigurasi, bukannya spesifikasi konteks natif. Aplikasi konteks panjang merangkumi rujuk silang halaman dokumen dan pencarian peristiwa dalam video. Kekalkan susunan halaman serta cap masa video semasa menyediakan input, dan minta jawapan mengenal pasti halaman atau detik yang digunakan bagi setiap kesimpulan.
Penaakulan multimodal merangkumi tugas matematik dan saintifik yang memerlukan bahan yang kelihatan serta soalan bertulisnya. Keluarga ini turut menyokong pengecaman visual luas merentas objek, produk, mercu tanda, tumbuhan dan haiwan. Liputan OCRnya merangkumi 32 bahasa dan termasuk imej mencabar dengan pencahayaan malap, kabur atau senget, bersama pentafsiran struktur dokumen. Untuk masalah yang diimbas, minta transkripsi dahulu dan penyelesaian kemudian; ini mendedahkan tanda atau label yang tersalah baca sebelum ia mengubah penaakulan.
Tiga kemas kini seni bina menyokong kerja visual dan temporal ini. Interleaved-MRoPE mengagihkan maklumat kedudukan merentas masa, lebar dan tinggi; DeepStack memperkenalkan ciri visual daripada beberapa aras ke dalam model bahasa; cap masa teks eksplisit mewakili kedudukan temporal kumpulan bingkai video. Kepentingan praktikalnya ialah pengekalan butiran ruang dan penghubungan penerangan peristiwa dengan detik dalam sumber. Kemas kini ini tidak menjamin pengecaman butiran sumber yang kecil atau tidak terbaca.
Kad model Thinking tepat memberikan cadangan penjanaan berasingan untuk tugas visual dan teks. Kedua-duanya menggunakan pensampelan dengan temperature 1.0, top-p 0.95 dan top-k 20; contoh visual menggunakan penalti kehadiran 0.0, manakala contoh teks menggunakan 1.5. Tetapan contoh panjang outputnya ialah 40,960 untuk kerja visual dan 32,768 untuk teks, dengan 81,920 dicadangkan untuk penilaian teks mencabar terpilih. Ini ialah cadangan penalaan, bukannya jaminan output maksimum sejagat atau parameter yang semestinya disediakan perkhidmatan di sekelilingnya.
Untuk tugas dokumen praktikal, bekalkan imej halaman tersusun dan minta: “Ekstrak tajuk bahagian, terangkan hubungan antara rajah dengan teks bersebelahan, dan sertakan rujukan halaman pada setiap dapatan.” Untuk video, tentukan peristiwa yang ingin dicari dan minta cap masanya serta penjelasan visual pendek. Untuk soalan penaakulan visual, nyatakan artifak akhir yang diperlukan dan andaian yang boleh digunakan. Output kekal sebagai penjelasan teks, kandungan yang diekstrak, kod atau langkah alat yang dicadangkan; input visual edisi ini bukan aliran kerja penjanaan video atau pertuturan.
", "aboutText": "Qwen3-VL-8B-Thinking ialah edisi padat 8B berfokus penaakulan dalam keluarga Qwen3-VL Alibaba. Ia menggabungkan teks, imej dan video dalam tugas yang sama serta menjana teks. Qwen mengeluarkan edisi Thinking dan Instruct secara berasingan; kad ini berkaitan model Thinking yang dinamakan, dengan tujuan termasuk menganalisis bukti visual sebelum menghasilkan jawapan. Kerja teks sahaja juga sebahagian daripada keupayaan bahasa model.\n\nPengeluar membentangkan ejen visual terlebih dahulu: model boleh mengecam elemen antara muka desktop atau mudah alih, mentafsir fungsinya dan menaakul tentang interaksi seterusnya. Dalam aplikasi, tangkap layar membekalkan keadaan semasa dan alat melaksanakan tindakan yang dipilih. Ringkasan tugas yang berguna memberikan matlamat pengguna, skrin yang kelihatan dan tindakan yang dibenarkan, kemudian meminta langkah seterusnya serta elemen yang menyokongnya. Tafsiran yang dijana berbeza daripada tindakan yang dilaksanakan aplikasi di sekelilingnya.\n\nPengekodan visual menghubungkan imej atau video rujukan dengan kod teks. Qwen mendokumenkan rajah Draw.io serta HTML, CSS dan JavaScript sebagai contoh output. Bekalkan tangkap layar atau lakaran bersama tingkah laku, kandungan dan susun atur sasaran yang diperlukan; minta artifak kod atau rajah yang boleh disunting. Untuk kerja ruang, keluarga ini menerangkan kedudukan objek, sudut pandangan dan oklusi, dengan penambatan 2D serta penambatan 3D. Nyatakan konvensyen koordinat jika memerlukan lokasi, supaya kedudukan yang diterangkan dan kotak yang diminta menggunakan rujukan yang sama.\n\nKonteks natif ialah 256K token untuk teks dan bahan visual berselang. Kad model turut menerangkan peluasan kepada satu juta token, yang merupakan peluasan berasingan yang dikonfigurasi, bukannya spesifikasi konteks natif. Aplikasi konteks panjang merangkumi rujuk silang halaman dokumen dan pencarian peristiwa dalam video. Kekalkan susunan halaman serta cap masa video semasa menyediakan input, dan minta jawapan mengenal pasti halaman atau detik yang digunakan bagi setiap kesimpulan.\n\nPenaakulan multimodal merangkumi tugas matematik dan saintifik yang memerlukan bahan yang kelihatan serta soalan bertulisnya. Keluarga ini turut menyokong pengecaman visual luas merentas objek, produk, mercu tanda, tumbuhan dan haiwan. Liputan OCRnya merangkumi 32 bahasa dan termasuk imej mencabar dengan pencahayaan malap, kabur atau senget, bersama pentafsiran struktur dokumen. Untuk masalah yang diimbas, minta transkripsi dahulu dan penyelesaian kemudian; ini mendedahkan tanda atau label yang tersalah baca sebelum ia mengubah penaakulan.\n\nTiga kemas kini seni bina menyokong kerja visual dan temporal ini. Interleaved-MRoPE mengagihkan maklumat kedudukan merentas masa, lebar dan tinggi; DeepStack memperkenalkan ciri visual daripada beberapa aras ke dalam model bahasa; cap masa teks eksplisit mewakili kedudukan temporal kumpulan bingkai video. Kepentingan praktikalnya ialah pengekalan butiran ruang dan penghubungan penerangan peristiwa dengan detik dalam sumber. Kemas kini ini tidak menjamin pengecaman butiran sumber yang kecil atau tidak terbaca.\n\nKad model Thinking tepat memberikan cadangan penjanaan berasingan untuk tugas visual dan teks. Kedua-duanya menggunakan pensampelan dengan temperature 1.0, top-p 0.95 dan top-k 20; contoh visual menggunakan penalti kehadiran 0.0, manakala contoh teks menggunakan 1.5. Tetapan contoh panjang outputnya ialah 40,960 untuk kerja visual dan 32,768 untuk teks, dengan 81,920 dicadangkan untuk penilaian teks mencabar terpilih. Ini ialah cadangan penalaan, bukannya jaminan output maksimum sejagat atau parameter yang semestinya disediakan perkhidmatan di sekelilingnya.\n\nUntuk tugas dokumen praktikal, bekalkan imej halaman tersusun dan minta: “Ekstrak tajuk bahagian, terangkan hubungan antara rajah dengan teks bersebelahan, dan sertakan rujukan halaman pada setiap dapatan.” Untuk video, tentukan peristiwa yang ingin dicari dan minta cap masanya serta penjelasan visual pendek. Untuk soalan penaakulan visual, nyatakan artifak akhir yang diperlukan dan andaian yang boleh digunakan. Output kekal sebagai penjelasan teks, kandungan yang diekstrak, kod atau langkah alat yang dicadangkan; input visual edisi ini bukan aliran kerja penjanaan video atau pertuturan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Reason about a written interface layout\n\nUse this textual layout description: a dialog contains a title at the top, a long message in the middle and Cancel/Confirm buttons at the bottom. On a short screen, only the message area should scroll; both buttons must stay visible. Propose HTML and CSS structure and explain the height constraints. Do not assume an image was supplied.An editable HTML/CSS proposal and a short explanation of which region scrolls.Check the proposed structure limits message overflow while keeping both actions outside that scroll area.Qwen/Qwen3-VL-8B-ThinkingQwen3-VL-8B-Thinking ialah edisi penglihatan-bahasa 8B Qwen yang berfokus penaakulan. Ia menggabungkan teks, imej dan video untuk penyelesaian masalah visual, pentafsiran dokumen, analisis ruang dan penjanaan kod daripada rujukan visual.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen3-VL-8B-Thinking ialah edisi padat 8B berfokus penaakulan dalam keluarga Qwen3-VL Alibaba. Ia menggabungkan teks, imej dan video dalam tugas yang sama serta menjana teks. Qwen mengeluarkan edisi Thinking dan Instruct secara berasingan; kad ini berkaitan model Thinking yang dinamakan, dengan tujuan termasuk menganalisis bukti visual sebelum menghasilkan jawapan. Kerja teks sahaja juga sebahagian daripada keupayaan bahasa model.
Pengeluar membentangkan ejen visual terlebih dahulu: model boleh mengecam elemen antara muka desktop atau mudah alih, mentafsir fungsinya dan menaakul tentang interaksi seterusnya. Dalam aplikasi, tangkap layar membekalkan keadaan semasa dan alat melaksanakan tindakan yang dipilih. Ringkasan tugas yang berguna memberikan matlamat pengguna, skrin yang kelihatan dan tindakan yang dibenarkan, kemudian meminta langkah seterusnya serta elemen yang menyokongnya. Tafsiran yang dijana berbeza daripada tindakan yang dilaksanakan aplikasi di sekelilingnya.
Pengekodan visual menghubungkan imej atau video rujukan dengan kod teks. Qwen mendokumenkan rajah Draw.io serta HTML, CSS dan JavaScript sebagai contoh output. Bekalkan tangkap layar atau lakaran bersama tingkah laku, kandungan dan susun atur sasaran yang diperlukan; minta artifak kod atau rajah yang boleh disunting. Untuk kerja ruang, keluarga ini menerangkan kedudukan objek, sudut pandangan dan oklusi, dengan penambatan 2D serta penambatan 3D. Nyatakan konvensyen koordinat jika memerlukan lokasi, supaya kedudukan yang diterangkan dan kotak yang diminta menggunakan rujukan yang sama.
Konteks natif ialah 256K token untuk teks dan bahan visual berselang. Kad model turut menerangkan peluasan kepada satu juta token, yang merupakan peluasan berasingan yang dikonfigurasi, bukannya spesifikasi konteks natif. Aplikasi konteks panjang merangkumi rujuk silang halaman dokumen dan pencarian peristiwa dalam video. Kekalkan susunan halaman serta cap masa video semasa menyediakan input, dan minta jawapan mengenal pasti halaman atau detik yang digunakan bagi setiap kesimpulan.
Penaakulan multimodal merangkumi tugas matematik dan saintifik yang memerlukan bahan yang kelihatan serta soalan bertulisnya. Keluarga ini turut menyokong pengecaman visual luas merentas objek, produk, mercu tanda, tumbuhan dan haiwan. Liputan OCRnya merangkumi 32 bahasa dan termasuk imej mencabar dengan pencahayaan malap, kabur atau senget, bersama pentafsiran struktur dokumen. Untuk masalah yang diimbas, minta transkripsi dahulu dan penyelesaian kemudian; ini mendedahkan tanda atau label yang tersalah baca sebelum ia mengubah penaakulan.
Tiga kemas kini seni bina menyokong kerja visual dan temporal ini. Interleaved-MRoPE mengagihkan maklumat kedudukan merentas masa, lebar dan tinggi; DeepStack memperkenalkan ciri visual daripada beberapa aras ke dalam model bahasa; cap masa teks eksplisit mewakili kedudukan temporal kumpulan bingkai video. Kepentingan praktikalnya ialah pengekalan butiran ruang dan penghubungan penerangan peristiwa dengan detik dalam sumber. Kemas kini ini tidak menjamin pengecaman butiran sumber yang kecil atau tidak terbaca.
Kad model Thinking tepat memberikan cadangan penjanaan berasingan untuk tugas visual dan teks. Kedua-duanya menggunakan pensampelan dengan temperature 1.0, top-p 0.95 dan top-k 20; contoh visual menggunakan penalti kehadiran 0.0, manakala contoh teks menggunakan 1.5. Tetapan contoh panjang outputnya ialah 40,960 untuk kerja visual dan 32,768 untuk teks, dengan 81,920 dicadangkan untuk penilaian teks mencabar terpilih. Ini ialah cadangan penalaan, bukannya jaminan output maksimum sejagat atau parameter yang semestinya disediakan perkhidmatan di sekelilingnya.
Untuk tugas dokumen praktikal, bekalkan imej halaman tersusun dan minta: “Ekstrak tajuk bahagian, terangkan hubungan antara rajah dengan teks bersebelahan, dan sertakan rujukan halaman pada setiap dapatan.” Untuk video, tentukan peristiwa yang ingin dicari dan minta cap masanya serta penjelasan visual pendek. Untuk soalan penaakulan visual, nyatakan artifak akhir yang diperlukan dan andaian yang boleh digunakan. Output kekal sebagai penjelasan teks, kandungan yang diekstrak, kod atau langkah alat yang dicadangkan; input visual edisi ini bukan aliran kerja penjanaan video atau pertuturan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had Qwen/Qwen3-VL-8B-Thinking | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had function Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmodalities | Jenisstring[] | KeperluanPilihan | Nilai & had text | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak pada laluan teks Ultra ini | Lalai— |
Medancache_control.ttl | Jenisstring | KeperluanPilihan | Nilai & had Syarat: 1h ditolak pada lokasi cache prompt yang digunakan | Lalai— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeza daripada alat yang dihoskan |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.000144 / 1K token Output · Token output $0.00143 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Qwen/Qwen3-VL-8B-Thinking", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen3-VL-8B-Thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen3-VL-8B-Thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra Qwen/Qwen3-VL-8B-Thinking
Gunakan laluan kaedah yang dipaparkan di atas.
Qwen/Qwen3-VL-8B-ThinkingQwen3-VL-8B-Thinking ialah edisi penglihatan-bahasa 8B Qwen yang berfokus penaakulan. Ia menggabungkan teks, imej dan video untuk penyelesaian masalah visual, pentafsiran dokumen, analisis ruang dan penjanaan kod daripada rujukan visual.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen3-VL-8B-Thinking ialah edisi padat 8B berfokus penaakulan dalam keluarga Qwen3-VL Alibaba. Ia menggabungkan teks, imej dan video dalam tugas yang sama serta menjana teks. Qwen mengeluarkan edisi Thinking dan Instruct secara berasingan; kad ini berkaitan model Thinking yang dinamakan, dengan tujuan termasuk menganalisis bukti visual sebelum menghasilkan jawapan. Kerja teks sahaja juga sebahagian daripada keupayaan bahasa model.
Pengeluar membentangkan ejen visual terlebih dahulu: model boleh mengecam elemen antara muka desktop atau mudah alih, mentafsir fungsinya dan menaakul tentang interaksi seterusnya. Dalam aplikasi, tangkap layar membekalkan keadaan semasa dan alat melaksanakan tindakan yang dipilih. Ringkasan tugas yang berguna memberikan matlamat pengguna, skrin yang kelihatan dan tindakan yang dibenarkan, kemudian meminta langkah seterusnya serta elemen yang menyokongnya. Tafsiran yang dijana berbeza daripada tindakan yang dilaksanakan aplikasi di sekelilingnya.
Pengekodan visual menghubungkan imej atau video rujukan dengan kod teks. Qwen mendokumenkan rajah Draw.io serta HTML, CSS dan JavaScript sebagai contoh output. Bekalkan tangkap layar atau lakaran bersama tingkah laku, kandungan dan susun atur sasaran yang diperlukan; minta artifak kod atau rajah yang boleh disunting. Untuk kerja ruang, keluarga ini menerangkan kedudukan objek, sudut pandangan dan oklusi, dengan penambatan 2D serta penambatan 3D. Nyatakan konvensyen koordinat jika memerlukan lokasi, supaya kedudukan yang diterangkan dan kotak yang diminta menggunakan rujukan yang sama.
Konteks natif ialah 256K token untuk teks dan bahan visual berselang. Kad model turut menerangkan peluasan kepada satu juta token, yang merupakan peluasan berasingan yang dikonfigurasi, bukannya spesifikasi konteks natif. Aplikasi konteks panjang merangkumi rujuk silang halaman dokumen dan pencarian peristiwa dalam video. Kekalkan susunan halaman serta cap masa video semasa menyediakan input, dan minta jawapan mengenal pasti halaman atau detik yang digunakan bagi setiap kesimpulan.
Penaakulan multimodal merangkumi tugas matematik dan saintifik yang memerlukan bahan yang kelihatan serta soalan bertulisnya. Keluarga ini turut menyokong pengecaman visual luas merentas objek, produk, mercu tanda, tumbuhan dan haiwan. Liputan OCRnya merangkumi 32 bahasa dan termasuk imej mencabar dengan pencahayaan malap, kabur atau senget, bersama pentafsiran struktur dokumen. Untuk masalah yang diimbas, minta transkripsi dahulu dan penyelesaian kemudian; ini mendedahkan tanda atau label yang tersalah baca sebelum ia mengubah penaakulan.
Tiga kemas kini seni bina menyokong kerja visual dan temporal ini. Interleaved-MRoPE mengagihkan maklumat kedudukan merentas masa, lebar dan tinggi; DeepStack memperkenalkan ciri visual daripada beberapa aras ke dalam model bahasa; cap masa teks eksplisit mewakili kedudukan temporal kumpulan bingkai video. Kepentingan praktikalnya ialah pengekalan butiran ruang dan penghubungan penerangan peristiwa dengan detik dalam sumber. Kemas kini ini tidak menjamin pengecaman butiran sumber yang kecil atau tidak terbaca.
Kad model Thinking tepat memberikan cadangan penjanaan berasingan untuk tugas visual dan teks. Kedua-duanya menggunakan pensampelan dengan temperature 1.0, top-p 0.95 dan top-k 20; contoh visual menggunakan penalti kehadiran 0.0, manakala contoh teks menggunakan 1.5. Tetapan contoh panjang outputnya ialah 40,960 untuk kerja visual dan 32,768 untuk teks, dengan 81,920 dicadangkan untuk penilaian teks mencabar terpilih. Ini ialah cadangan penalaan, bukannya jaminan output maksimum sejagat atau parameter yang semestinya disediakan perkhidmatan di sekelilingnya.
Untuk tugas dokumen praktikal, bekalkan imej halaman tersusun dan minta: “Ekstrak tajuk bahagian, terangkan hubungan antara rajah dengan teks bersebelahan, dan sertakan rujukan halaman pada setiap dapatan.” Untuk video, tentukan peristiwa yang ingin dicari dan minta cap masanya serta penjelasan visual pendek. Untuk soalan penaakulan visual, nyatakan artifak akhir yang diperlukan dan andaian yang boleh digunakan. Output kekal sebagai penjelasan teks, kandungan yang diekstrak, kod atau langkah alat yang dicadangkan; input visual edisi ini bukan aliran kerja penjanaan video atau pertuturan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had Qwen/Qwen3-VL-8B-Thinking | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.000144 / 1K token Output · Token output $0.00143 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "Qwen/Qwen3-VL-8B-Thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen3-VL-8B-Thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen3-VL-8B-Thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra Qwen/Qwen3-VL-8B-Thinking
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Reason about a written interface layout\n\nUse this textual layout description: a dialog contains a title at the top, a long message in the middle and Cancel/Confirm buttons at the bottom. On a short screen, only the message area should scroll; both buttons must stay visible. Propose HTML and CSS structure and explain the height constraints. Do not assume an image was supplied.An editable HTML/CSS proposal and a short explanation of which region scrolls.Check the proposed structure limits message overflow while keeping both actions outside that scroll area.