Qwen3-Omni-30B-A3B-Instruct er det instruksjonsfølgende, talegenererende medlemmet av Qwen3-Omni. Den forstår tekst, bilder, lyd og video, inkludert blandede inndata, og kan returnere både tekst og naturlig tale. Ifølge Qwen støtter familiearkitekturen strømming av tekst- og talesvar. Den konkrete Instruct-modellversjonen inneholder Thinker- og Talker-komponenter: forståelse og utforming av tekstsvar er koblet til talegenereringsveien. Thinking- og Captioner-modellversjonene har andre komponent- og utdataroller, så de forblir separate modellvalg.
Familiens publiserte flerspråklige område omfatter 119 tekstspråk, 19 språk for taleinndata og 10 språk for taleutdata. Russisk finnes i begge talelistene. Produsenten beskriver et mixture-of-experts-basert Thinker–Talker-design, med lyd- og bildebehandling for multimodal forståelse og talegenerering med flere kodebøker. Systemprompter kan forme assistentens rolle og svarstil. En passende oppgave er en muntlig forklaring som avhenger av et synlig objekt og brukerens talte spørsmål, fremfor en urelatert tekst-til-tale-konvertering.
Oppskriftsveiledningene dekker talegjenkjenning, taleoversettelse, musikk- og lydanalyse, blandet lyd, bildespørsmål, OCR, objektforankring, videobeskrivelse og audiovisuell dialog. For en opplæringsassistent legger du ved et demonstrasjonsklipp og ber den forklare den synlige fremgangsmåten for en nybegynner. For et produktspørsmål kombinerer du et bilde med den talte forespørselen og identifiserer detaljen som skal drøftes. Angi tiltenkt lytter og ønsket resultat: et kort muntlig svar, et tekstsammendrag eller begge deler. Behold kildenavn og målinger som må forbli uendret.
Utviklerens inndataflyt bruker den tilhørende prosessoren, chatmalen og verktøyene for mediebehandling. Medier kan flettes inn mellom tekst, og dekoding er en uttrykkelig del av å forberede en forespørsel. Når du bruker lyden som følger en video, holder du use_audio_in_video konsekvent på tvers av forbehandling, generering og påfølgende dialogrunder. Et audiovisuelt spørsmål krever at lydsporet inkluderes; en rent visuell oppgave bør angi dette området tydelig. Velg et relevant klipp og bruk lesbare bilder, slik at assistenten mottar detaljene spørsmålet trenger.
Taleutdata kan styres. Det publiserte genereringsgrensesnittet kan be om bare tekst med return_audio=False, og deaktivering av Talker fjerner denne komponenten fra taleutdataveien til den innlastede modellen. Utviklerens batcheksempel returnerer tekst fremfor lyd. Instruct-modellversjonen dokumenterer tre stemmevalg – Ethan, Chelsie og Aiden – med Ethan som standard. Eksemplet lagrer en bølgeform ved 24,000 Hz. Stemmevalg og dette eksemplets utdataformat beskriver den publiserte modellarbeidsflyten, ikke alle mulige omkringliggende tjenestegrensesnitt.
For muntlige svar anbefaler produsenten en samtalestil som er lett å lese opp, fremfor komplisert formatering. En forespørsel kan be om en kortfattet forklaring på lytterens språk, samtidig som et separat lesbart tekstresultat beholdes for vurdering. Hvis kilden inneholder et navn, en formel eller en ukjent forkortelse, oppgir du betydningen og den foretrukne formuleringen. Be svaret skille observert innhold fra antakelser, slik at en flytende stemme ikke får usikkerheten til å forsvinne.
Tekstkonfigurasjonene for Thinker og Talker setter max_position_embeddings til 65,536. Det felles kortets vLLM-eksempler velger separat en modellengdeinnstilling på 32,768 tokener og en genereringsinnstilling på 16,384 tokener; disse forblir eksempler, ikke uavhengige universelle tak. Bilde- og lydbehandling påvirker den effektive forespørselsstørrelsen. Grensesnittstøtten varierer også: kortets Transformers-eksempel kan returnere tale, mens driftsomtalen beskriver en Thinker-orientert vei og separat video-/lydhåndtering. Hold talefunksjoner på modellnivå atskilt fra et bestemt kjøremiljøs støttede utdatavei.
Et nyttig resultat kombinerer svaret med kildematerialet som trengs for å vurdere det. For en demonstrasjon kontrollerer du den beskrevne handlingen mot klippet; for et lydspørsmål sammenligner du svaret med de hørbare ordene eller lydene; for en visuell beregning verifiserer du enheter og etiketter. Familien inkluderer en oppskriftsveiledning for lydfunksjonskall, men et program definerer og utfører fortsatt alle eksterne verktøyhandlinger. En generert forespørsel om å handle er forskjellig fra et bekreftet resultat. Denne utgavens styrke er multimodal interaksjon med et valgfritt talesvar, mens faktaverifisering, videre handlinger og medieredigering krever eget kildegrunnlag og egen arbeidsflyt.
", "aboutText": "Qwen3-Omni-30B-A3B-Instruct er det instruksjonsfølgende, talegenererende medlemmet av Qwen3-Omni. Den forstår tekst, bilder, lyd og video, inkludert blandede inndata, og kan returnere både tekst og naturlig tale. Ifølge Qwen støtter familiearkitekturen strømming av tekst- og talesvar. Den konkrete Instruct-modellversjonen inneholder Thinker- og Talker-komponenter: forståelse og utforming av tekstsvar er koblet til talegenereringsveien. Thinking- og Captioner-modellversjonene har andre komponent- og utdataroller, så de forblir separate modellvalg.\n\nFamiliens publiserte flerspråklige område omfatter 119 tekstspråk, 19 språk for taleinndata og 10 språk for taleutdata. Russisk finnes i begge talelistene. Produsenten beskriver et mixture-of-experts-basert Thinker–Talker-design, med lyd- og bildebehandling for multimodal forståelse og talegenerering med flere kodebøker. Systemprompter kan forme assistentens rolle og svarstil. En passende oppgave er en muntlig forklaring som avhenger av et synlig objekt og brukerens talte spørsmål, fremfor en urelatert tekst-til-tale-konvertering.\n\nOppskriftsveiledningene dekker talegjenkjenning, taleoversettelse, musikk- og lydanalyse, blandet lyd, bildespørsmål, OCR, objektforankring, videobeskrivelse og audiovisuell dialog. For en opplæringsassistent legger du ved et demonstrasjonsklipp og ber den forklare den synlige fremgangsmåten for en nybegynner. For et produktspørsmål kombinerer du et bilde med den talte forespørselen og identifiserer detaljen som skal drøftes. Angi tiltenkt lytter og ønsket resultat: et kort muntlig svar, et tekstsammendrag eller begge deler. Behold kildenavn og målinger som må forbli uendret.\n\nUtviklerens inndataflyt bruker den tilhørende prosessoren, chatmalen og verktøyene for mediebehandling. Medier kan flettes inn mellom tekst, og dekoding er en uttrykkelig del av å forberede en forespørsel. Når du bruker lyden som følger en video, holder du use_audio_in_video konsekvent på tvers av forbehandling, generering og påfølgende dialogrunder. Et audiovisuelt spørsmål krever at lydsporet inkluderes; en rent visuell oppgave bør angi dette området tydelig. Velg et relevant klipp og bruk lesbare bilder, slik at assistenten mottar detaljene spørsmålet trenger.\n\nTaleutdata kan styres. Det publiserte genereringsgrensesnittet kan be om bare tekst med return_audio=False, og deaktivering av Talker fjerner denne komponenten fra taleutdataveien til den innlastede modellen. Utviklerens batcheksempel returnerer tekst fremfor lyd. Instruct-modellversjonen dokumenterer tre stemmevalg – Ethan, Chelsie og Aiden – med Ethan som standard. Eksemplet lagrer en bølgeform ved 24,000 Hz. Stemmevalg og dette eksemplets utdataformat beskriver den publiserte modellarbeidsflyten, ikke alle mulige omkringliggende tjenestegrensesnitt.\n\nFor muntlige svar anbefaler produsenten en samtalestil som er lett å lese opp, fremfor komplisert formatering. En forespørsel kan be om en kortfattet forklaring på lytterens språk, samtidig som et separat lesbart tekstresultat beholdes for vurdering. Hvis kilden inneholder et navn, en formel eller en ukjent forkortelse, oppgir du betydningen og den foretrukne formuleringen. Be svaret skille observert innhold fra antakelser, slik at en flytende stemme ikke får usikkerheten til å forsvinne.\n\nTekstkonfigurasjonene for Thinker og Talker setter max_position_embeddings til 65,536. Det felles kortets vLLM-eksempler velger separat en modellengdeinnstilling på 32,768 tokener og en genereringsinnstilling på 16,384 tokener; disse forblir eksempler, ikke uavhengige universelle tak. Bilde- og lydbehandling påvirker den effektive forespørselsstørrelsen. Grensesnittstøtten varierer også: kortets Transformers-eksempel kan returnere tale, mens driftsomtalen beskriver en Thinker-orientert vei og separat video-/lydhåndtering. Hold talefunksjoner på modellnivå atskilt fra et bestemt kjøremiljøs støttede utdatavei.\n\nEt nyttig resultat kombinerer svaret med kildematerialet som trengs for å vurdere det. For en demonstrasjon kontrollerer du den beskrevne handlingen mot klippet; for et lydspørsmål sammenligner du svaret med de hørbare ordene eller lydene; for en visuell beregning verifiserer du enheter og etiketter. Familien inkluderer en oppskriftsveiledning for lydfunksjonskall, men et program definerer og utfører fortsatt alle eksterne verktøyhandlinger. En generert forespørsel om å handle er forskjellig fra et bekreftet resultat. Denne utgavens styrke er multimodal interaksjon med et valgfritt talesvar, mens faktaverifisering, videre handlinger og medieredigering krever eget kildegrunnlag og egen arbeidsflyt.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Explain a supplied procedure to a novice\n\nWrite a text-only explanation for a novice using this supplied procedure: turn the dial to zero; insert the sample tray until it clicks; close the cover; press Start once; wait for the green completion light before opening. Keep the sequence and stopping condition exact. Use short conversational sentences and explain only what the supplied procedure establishes.A concise, easy-to-read textual procedure with the original action order and completion condition.Check opening the cover is never instructed before the green completion light.Qwen/Qwen3-Omni-30B-A3B-InstructQwen3-Omni-30B-A3B-Instruct forstår tekst, bilder, lyd og video og kan svare med tekst og naturlig tale. Thinker–Talker-arkitekturen støtter multimodal dialog, med uttrykkelig kontroll over om tale returneres og hvilken dokumentert stemme som brukes.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3-Omni-30B-A3B-Instruct er det instruksjonsfølgende, talegenererende medlemmet av Qwen3-Omni. Den forstår tekst, bilder, lyd og video, inkludert blandede inndata, og kan returnere både tekst og naturlig tale. Ifølge Qwen støtter familiearkitekturen strømming av tekst- og talesvar. Den konkrete Instruct-modellversjonen inneholder Thinker- og Talker-komponenter: forståelse og utforming av tekstsvar er koblet til talegenereringsveien. Thinking- og Captioner-modellversjonene har andre komponent- og utdataroller, så de forblir separate modellvalg.
Familiens publiserte flerspråklige område omfatter 119 tekstspråk, 19 språk for taleinndata og 10 språk for taleutdata. Russisk finnes i begge talelistene. Produsenten beskriver et mixture-of-experts-basert Thinker–Talker-design, med lyd- og bildebehandling for multimodal forståelse og talegenerering med flere kodebøker. Systemprompter kan forme assistentens rolle og svarstil. En passende oppgave er en muntlig forklaring som avhenger av et synlig objekt og brukerens talte spørsmål, fremfor en urelatert tekst-til-tale-konvertering.
Oppskriftsveiledningene dekker talegjenkjenning, taleoversettelse, musikk- og lydanalyse, blandet lyd, bildespørsmål, OCR, objektforankring, videobeskrivelse og audiovisuell dialog. For en opplæringsassistent legger du ved et demonstrasjonsklipp og ber den forklare den synlige fremgangsmåten for en nybegynner. For et produktspørsmål kombinerer du et bilde med den talte forespørselen og identifiserer detaljen som skal drøftes. Angi tiltenkt lytter og ønsket resultat: et kort muntlig svar, et tekstsammendrag eller begge deler. Behold kildenavn og målinger som må forbli uendret.
Utviklerens inndataflyt bruker den tilhørende prosessoren, chatmalen og verktøyene for mediebehandling. Medier kan flettes inn mellom tekst, og dekoding er en uttrykkelig del av å forberede en forespørsel. Når du bruker lyden som følger en video, holder du use_audio_in_video konsekvent på tvers av forbehandling, generering og påfølgende dialogrunder. Et audiovisuelt spørsmål krever at lydsporet inkluderes; en rent visuell oppgave bør angi dette området tydelig. Velg et relevant klipp og bruk lesbare bilder, slik at assistenten mottar detaljene spørsmålet trenger.
Taleutdata kan styres. Det publiserte genereringsgrensesnittet kan be om bare tekst med return_audio=False, og deaktivering av Talker fjerner denne komponenten fra taleutdataveien til den innlastede modellen. Utviklerens batcheksempel returnerer tekst fremfor lyd. Instruct-modellversjonen dokumenterer tre stemmevalg – Ethan, Chelsie og Aiden – med Ethan som standard. Eksemplet lagrer en bølgeform ved 24,000 Hz. Stemmevalg og dette eksemplets utdataformat beskriver den publiserte modellarbeidsflyten, ikke alle mulige omkringliggende tjenestegrensesnitt.
For muntlige svar anbefaler produsenten en samtalestil som er lett å lese opp, fremfor komplisert formatering. En forespørsel kan be om en kortfattet forklaring på lytterens språk, samtidig som et separat lesbart tekstresultat beholdes for vurdering. Hvis kilden inneholder et navn, en formel eller en ukjent forkortelse, oppgir du betydningen og den foretrukne formuleringen. Be svaret skille observert innhold fra antakelser, slik at en flytende stemme ikke får usikkerheten til å forsvinne.
Tekstkonfigurasjonene for Thinker og Talker setter max_position_embeddings til 65,536. Det felles kortets vLLM-eksempler velger separat en modellengdeinnstilling på 32,768 tokener og en genereringsinnstilling på 16,384 tokener; disse forblir eksempler, ikke uavhengige universelle tak. Bilde- og lydbehandling påvirker den effektive forespørselsstørrelsen. Grensesnittstøtten varierer også: kortets Transformers-eksempel kan returnere tale, mens driftsomtalen beskriver en Thinker-orientert vei og separat video-/lydhåndtering. Hold talefunksjoner på modellnivå atskilt fra et bestemt kjøremiljøs støttede utdatavei.
Et nyttig resultat kombinerer svaret med kildematerialet som trengs for å vurdere det. For en demonstrasjon kontrollerer du den beskrevne handlingen mot klippet; for et lydspørsmål sammenligner du svaret med de hørbare ordene eller lydene; for en visuell beregning verifiserer du enheter og etiketter. Familien inkluderer en oppskriftsveiledning for lydfunksjonskall, men et program definerer og utfører fortsatt alle eksterne verktøyhandlinger. En generert forespørsel om å handle er forskjellig fra et bekreftet resultat. Denne utgavens styrke er multimodal interaksjon med et valgfritt talesvar, mens faktaverifisering, videre handlinger og medieredigering krever eget kildegrunnlag og egen arbeidsflyt.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser Qwen/Qwen3-Omni-30B-A3B-Instruct | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Qwen/Qwen3-Omni-30B-A3B-Instruct", "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-Omni-30B-A3B-Instruct',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-Omni-30B-A3B-Instruct',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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Instruct
Bruk metodestiene som vises ovenfor.
Qwen/Qwen3-Omni-30B-A3B-InstructQwen3-Omni-30B-A3B-Instruct forstår tekst, bilder, lyd og video og kan svare med tekst og naturlig tale. Thinker–Talker-arkitekturen støtter multimodal dialog, med uttrykkelig kontroll over om tale returneres og hvilken dokumentert stemme som brukes.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3-Omni-30B-A3B-Instruct er det instruksjonsfølgende, talegenererende medlemmet av Qwen3-Omni. Den forstår tekst, bilder, lyd og video, inkludert blandede inndata, og kan returnere både tekst og naturlig tale. Ifølge Qwen støtter familiearkitekturen strømming av tekst- og talesvar. Den konkrete Instruct-modellversjonen inneholder Thinker- og Talker-komponenter: forståelse og utforming av tekstsvar er koblet til talegenereringsveien. Thinking- og Captioner-modellversjonene har andre komponent- og utdataroller, så de forblir separate modellvalg.
Familiens publiserte flerspråklige område omfatter 119 tekstspråk, 19 språk for taleinndata og 10 språk for taleutdata. Russisk finnes i begge talelistene. Produsenten beskriver et mixture-of-experts-basert Thinker–Talker-design, med lyd- og bildebehandling for multimodal forståelse og talegenerering med flere kodebøker. Systemprompter kan forme assistentens rolle og svarstil. En passende oppgave er en muntlig forklaring som avhenger av et synlig objekt og brukerens talte spørsmål, fremfor en urelatert tekst-til-tale-konvertering.
Oppskriftsveiledningene dekker talegjenkjenning, taleoversettelse, musikk- og lydanalyse, blandet lyd, bildespørsmål, OCR, objektforankring, videobeskrivelse og audiovisuell dialog. For en opplæringsassistent legger du ved et demonstrasjonsklipp og ber den forklare den synlige fremgangsmåten for en nybegynner. For et produktspørsmål kombinerer du et bilde med den talte forespørselen og identifiserer detaljen som skal drøftes. Angi tiltenkt lytter og ønsket resultat: et kort muntlig svar, et tekstsammendrag eller begge deler. Behold kildenavn og målinger som må forbli uendret.
Utviklerens inndataflyt bruker den tilhørende prosessoren, chatmalen og verktøyene for mediebehandling. Medier kan flettes inn mellom tekst, og dekoding er en uttrykkelig del av å forberede en forespørsel. Når du bruker lyden som følger en video, holder du use_audio_in_video konsekvent på tvers av forbehandling, generering og påfølgende dialogrunder. Et audiovisuelt spørsmål krever at lydsporet inkluderes; en rent visuell oppgave bør angi dette området tydelig. Velg et relevant klipp og bruk lesbare bilder, slik at assistenten mottar detaljene spørsmålet trenger.
Taleutdata kan styres. Det publiserte genereringsgrensesnittet kan be om bare tekst med return_audio=False, og deaktivering av Talker fjerner denne komponenten fra taleutdataveien til den innlastede modellen. Utviklerens batcheksempel returnerer tekst fremfor lyd. Instruct-modellversjonen dokumenterer tre stemmevalg – Ethan, Chelsie og Aiden – med Ethan som standard. Eksemplet lagrer en bølgeform ved 24,000 Hz. Stemmevalg og dette eksemplets utdataformat beskriver den publiserte modellarbeidsflyten, ikke alle mulige omkringliggende tjenestegrensesnitt.
For muntlige svar anbefaler produsenten en samtalestil som er lett å lese opp, fremfor komplisert formatering. En forespørsel kan be om en kortfattet forklaring på lytterens språk, samtidig som et separat lesbart tekstresultat beholdes for vurdering. Hvis kilden inneholder et navn, en formel eller en ukjent forkortelse, oppgir du betydningen og den foretrukne formuleringen. Be svaret skille observert innhold fra antakelser, slik at en flytende stemme ikke får usikkerheten til å forsvinne.
Tekstkonfigurasjonene for Thinker og Talker setter max_position_embeddings til 65,536. Det felles kortets vLLM-eksempler velger separat en modellengdeinnstilling på 32,768 tokener og en genereringsinnstilling på 16,384 tokener; disse forblir eksempler, ikke uavhengige universelle tak. Bilde- og lydbehandling påvirker den effektive forespørselsstørrelsen. Grensesnittstøtten varierer også: kortets Transformers-eksempel kan returnere tale, mens driftsomtalen beskriver en Thinker-orientert vei og separat video-/lydhåndtering. Hold talefunksjoner på modellnivå atskilt fra et bestemt kjøremiljøs støttede utdatavei.
Et nyttig resultat kombinerer svaret med kildematerialet som trengs for å vurdere det. For en demonstrasjon kontrollerer du den beskrevne handlingen mot klippet; for et lydspørsmål sammenligner du svaret med de hørbare ordene eller lydene; for en visuell beregning verifiserer du enheter og etiketter. Familien inkluderer en oppskriftsveiledning for lydfunksjonskall, men et program definerer og utfører fortsatt alle eksterne verktøyhandlinger. En generert forespørsel om å handle er forskjellig fra et bekreftet resultat. Denne utgavens styrke er multimodal interaksjon med et valgfritt talesvar, mens faktaverifisering, videre handlinger og medieredigering krever eget kildegrunnlag og egen arbeidsflyt.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser Qwen/Qwen3-Omni-30B-A3B-Instruct | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0008 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "Qwen/Qwen3-Omni-30B-A3B-Instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Omni-30B-A3B-Instruct', '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-Omni-30B-A3B-Instruct', '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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Instruct
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Explain a supplied procedure to a novice\n\nWrite a text-only explanation for a novice using this supplied procedure: turn the dial to zero; insert the sample tray until it clicks; close the cover; press Start once; wait for the green completion light before opening. Keep the sequence and stopping condition exact. Use short conversational sentences and explain only what the supplied procedure establishes.A concise, easy-to-read textual procedure with the original action order and completion condition.Check opening the cover is never instructed before the green completion light.