Qwen3-Omni-30B-A3B-Thinking er det resonneringsorienterte medlemmet av Qwen3-Omni. Den forstår tekst, bilder, lyd og video, inkludert kombinasjoner i samme samtale, og produserer et tekstresultat. Den konkrete Thinking-utgaven inneholder Thinker-komponenten og er utstyrt for resonnering; den inkluderer ikke Talker, som brukes til taleutdata i Instruct-modellversjonen. Dette skillet er viktig når du velger en modell til en analytisk rapport fremfor en talesamtale.
Produsenten beskriver Qwen3-Omni som en flerspråklig mixture-of-experts-familie med 119 tekstspråk og 19 språk for taleinndata. Russisk finnes i den publiserte listen over taleinndataspråk. Den konkrete Thinking-konfigurasjonen inkluderer 48 teksttransformerlag, 128 eksperter og åtte eksperter valgt per token. Den har også komponenter for lyd- og bildebehandling. Dette er egenskaper ved den navngitte modellversjonen; dens multimodale forståelse bør ikke erstattes med funksjonene til en rent tekstbasert Qwen3-modell med en lignende størrelsesetikett.
Oppskriftsveiledningene dekker talegjenkjenning og -oversettelse, analyse av musikk og omgivelseslyder, blandet lyd, bildespørsmål, OCR, objektforankring, videobeskrivelser og audiovisuelle spørsmål. Bildematematikk fremhever spesifikt Thinking-utgaven. For en geometrioppgave legger du ved hele diagrammet, lesbare etiketter og spørsmålet, og ber deretter om en løsning som skiller synlige gitte opplysninger fra antakelser. For en innspilt demonstrasjon identifiserer du handlingen eller avviket som skal undersøkes, og ber om observasjoner knyttet til relevante deler av materialet. Den forventede leveransen kan være en skriftlig løsning, en strukturert observasjonsliste eller en forklaring av hva kildegrunnlaget underbygger.
Forbered inndataene som en multimodal samtale med den tilhørende prosessoren og chatmalen. Utviklerens behandlingsverktøy håndterer sammenflettet tekst, bilder, lyd og video. Qwen beskriver strømming av tekstsvar som en del av familiens interaksjonsdesign og demonstrerer batchinferens med blandede medier og kun tekst som utdata. I hver dialogrunde anbefaler produsenten en uttrykkelig tekstinstruksjon sammen med mediene. En video alene gjør oppgaven tvetydig: angi om handlinger skal oppsummeres, to scener sammenlignes, en lyd forklares eller den viste oppgaven løses. Merk flere inndata og forholdet mellom dem, slik at sluttteksten kan knytte riktig spørsmål til riktig materiale.
For video som inneholder tale eller hendelseslyder, avgjør du om lyden inngår i oppgaven. Den dokumenterte flyten bruker use_audio_in_video konsekvent under forbehandling og generering, og kortet advarer om at endring av denne innstillingen mellom dialogrunder kan føre til uventede resultater. Et spørsmål bare om scenen og et audiovisuelt spørsmål trenger derfor forskjellig forberedelse. Ha originalklippet tilgjengelig, velg det relevante intervallet og unngå å utelate lydsporet når den forespurte konklusjonen avhenger av det som ble sagt eller hørt.
Den publiserte tekstkonfigurasjonen setter max_position_embeddings til 65,536. Kortets vLLM-eksempler bruker separat en modellengdeinnstilling på 32,768 tokener og en genereringsinnstilling på 16,384 tokener. Disse viser et konfigurert inferenseksempel fremfor én universell maksimal utdatagrense. Medier representeres gjennom prosessoren, så forespørselsstørrelse er ikke bare antallet skrevne tegn. Sett av plass til tekstresultatet og bruk et avgrenset kildesegment når et langt opptak bare inneholder en kort hendelse som er relevant for spørsmålet.
Utvikleren demonstrerer Transformers- og vLLM-arbeidsflyter, med prosessorstøtte og mediedekoding som uttrykkelige avhengigheter. Det felles kortet dokumenterer også grensesnittforskjeller, inkludert separat håndtering av video og lyd i et driftseksempel. Velg den konkrete Thinking-modellversjonen og dens støttede behandlingsvei fremfor å anta at alle eksempler på familiekortet har samme utdataatferd. Talestemmer og Talker-kontroller på denne siden gjelder Instruct, ikke denne modellen med bare Thinker.
For et nyttig sluttresultat ber du om en kildebasert forklaring og en tydelig atskilt konklusjon. I en visuell oppgave beholder du enheter, symboler og etiketter; i lyd skiller du hørbart innhold fra en utledet kilde; i video skiller du observerte handlinger fra en tolkning av hensikt. Undersøk resultatet opp mot det vedlagte materialet, og identifiser usikre eller uleselige detaljer uttrykkelig. Modellens tekstsvar kan støtte analyse eller et senere programsteg, mens verktøyutførelse, faktabekreftelse eller medietransformasjon forblir en separat operasjon som trenger egne inndata og resultat.
", "aboutText": "Qwen3-Omni-30B-A3B-Thinking er det resonneringsorienterte medlemmet av Qwen3-Omni. Den forstår tekst, bilder, lyd og video, inkludert kombinasjoner i samme samtale, og produserer et tekstresultat. Den konkrete Thinking-utgaven inneholder Thinker-komponenten og er utstyrt for resonnering; den inkluderer ikke Talker, som brukes til taleutdata i Instruct-modellversjonen. Dette skillet er viktig når du velger en modell til en analytisk rapport fremfor en talesamtale.\n\nProdusenten beskriver Qwen3-Omni som en flerspråklig mixture-of-experts-familie med 119 tekstspråk og 19 språk for taleinndata. Russisk finnes i den publiserte listen over taleinndataspråk. Den konkrete Thinking-konfigurasjonen inkluderer 48 teksttransformerlag, 128 eksperter og åtte eksperter valgt per token. Den har også komponenter for lyd- og bildebehandling. Dette er egenskaper ved den navngitte modellversjonen; dens multimodale forståelse bør ikke erstattes med funksjonene til en rent tekstbasert Qwen3-modell med en lignende størrelsesetikett.\n\nOppskriftsveiledningene dekker talegjenkjenning og -oversettelse, analyse av musikk og omgivelseslyder, blandet lyd, bildespørsmål, OCR, objektforankring, videobeskrivelser og audiovisuelle spørsmål. Bildematematikk fremhever spesifikt Thinking-utgaven. For en geometrioppgave legger du ved hele diagrammet, lesbare etiketter og spørsmålet, og ber deretter om en løsning som skiller synlige gitte opplysninger fra antakelser. For en innspilt demonstrasjon identifiserer du handlingen eller avviket som skal undersøkes, og ber om observasjoner knyttet til relevante deler av materialet. Den forventede leveransen kan være en skriftlig løsning, en strukturert observasjonsliste eller en forklaring av hva kildegrunnlaget underbygger.\n\nForbered inndataene som en multimodal samtale med den tilhørende prosessoren og chatmalen. Utviklerens behandlingsverktøy håndterer sammenflettet tekst, bilder, lyd og video. Qwen beskriver strømming av tekstsvar som en del av familiens interaksjonsdesign og demonstrerer batchinferens med blandede medier og kun tekst som utdata. I hver dialogrunde anbefaler produsenten en uttrykkelig tekstinstruksjon sammen med mediene. En video alene gjør oppgaven tvetydig: angi om handlinger skal oppsummeres, to scener sammenlignes, en lyd forklares eller den viste oppgaven løses. Merk flere inndata og forholdet mellom dem, slik at sluttteksten kan knytte riktig spørsmål til riktig materiale.\n\nFor video som inneholder tale eller hendelseslyder, avgjør du om lyden inngår i oppgaven. Den dokumenterte flyten bruker use_audio_in_video konsekvent under forbehandling og generering, og kortet advarer om at endring av denne innstillingen mellom dialogrunder kan føre til uventede resultater. Et spørsmål bare om scenen og et audiovisuelt spørsmål trenger derfor forskjellig forberedelse. Ha originalklippet tilgjengelig, velg det relevante intervallet og unngå å utelate lydsporet når den forespurte konklusjonen avhenger av det som ble sagt eller hørt.\n\nDen publiserte tekstkonfigurasjonen setter max_position_embeddings til 65,536. Kortets vLLM-eksempler bruker separat en modellengdeinnstilling på 32,768 tokener og en genereringsinnstilling på 16,384 tokener. Disse viser et konfigurert inferenseksempel fremfor én universell maksimal utdatagrense. Medier representeres gjennom prosessoren, så forespørselsstørrelse er ikke bare antallet skrevne tegn. Sett av plass til tekstresultatet og bruk et avgrenset kildesegment når et langt opptak bare inneholder en kort hendelse som er relevant for spørsmålet.\n\nUtvikleren demonstrerer Transformers- og vLLM-arbeidsflyter, med prosessorstøtte og mediedekoding som uttrykkelige avhengigheter. Det felles kortet dokumenterer også grensesnittforskjeller, inkludert separat håndtering av video og lyd i et driftseksempel. Velg den konkrete Thinking-modellversjonen og dens støttede behandlingsvei fremfor å anta at alle eksempler på familiekortet har samme utdataatferd. Talestemmer og Talker-kontroller på denne siden gjelder Instruct, ikke denne modellen med bare Thinker.\n\nFor et nyttig sluttresultat ber du om en kildebasert forklaring og en tydelig atskilt konklusjon. I en visuell oppgave beholder du enheter, symboler og etiketter; i lyd skiller du hørbart innhold fra en utledet kilde; i video skiller du observerte handlinger fra en tolkning av hensikt. Undersøk resultatet opp mot det vedlagte materialet, og identifiser usikre eller uleselige detaljer uttrykkelig. Modellens tekstsvar kan støtte analyse eller et senere programsteg, mens verktøyutførelse, faktabekreftelse eller medietransformasjon forblir en separat operasjon som trenger egne inndata og resultat.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Reconcile demonstration annotations\n\nAnalyze these supplied text annotations of a demonstration. T0 visual note: valve indicator reads Closed. T1 speech transcript: "I am opening the valve now." T2 visual note: indicator still reads Closed; valve mechanism is off camera. State what each source establishes, whether successful opening is confirmed and what evidence would resolve the discrepancy.An evidence table separating visual notes from quoted speech, followed by a conclusion and one verification need.Check that a spoken intention is not treated as proof of the off-camera action or a faulty indicator.Qwen/Qwen3-Omni-30B-A3B-ThinkingQwen3-Omni-30B-A3B-Thinking resonnerer over tekst, bilder, lyd og video og returnerer tekst. Denne utgaven med bare Thinker egner seg til visuell matematikk, lydanalyse og spørsmål som trenger kildegrunnlag fra flere modaliteter; talegenerering tilhører en annen Omni-utgivelse.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3-Omni-30B-A3B-Thinking er det resonneringsorienterte medlemmet av Qwen3-Omni. Den forstår tekst, bilder, lyd og video, inkludert kombinasjoner i samme samtale, og produserer et tekstresultat. Den konkrete Thinking-utgaven inneholder Thinker-komponenten og er utstyrt for resonnering; den inkluderer ikke Talker, som brukes til taleutdata i Instruct-modellversjonen. Dette skillet er viktig når du velger en modell til en analytisk rapport fremfor en talesamtale.
Produsenten beskriver Qwen3-Omni som en flerspråklig mixture-of-experts-familie med 119 tekstspråk og 19 språk for taleinndata. Russisk finnes i den publiserte listen over taleinndataspråk. Den konkrete Thinking-konfigurasjonen inkluderer 48 teksttransformerlag, 128 eksperter og åtte eksperter valgt per token. Den har også komponenter for lyd- og bildebehandling. Dette er egenskaper ved den navngitte modellversjonen; dens multimodale forståelse bør ikke erstattes med funksjonene til en rent tekstbasert Qwen3-modell med en lignende størrelsesetikett.
Oppskriftsveiledningene dekker talegjenkjenning og -oversettelse, analyse av musikk og omgivelseslyder, blandet lyd, bildespørsmål, OCR, objektforankring, videobeskrivelser og audiovisuelle spørsmål. Bildematematikk fremhever spesifikt Thinking-utgaven. For en geometrioppgave legger du ved hele diagrammet, lesbare etiketter og spørsmålet, og ber deretter om en løsning som skiller synlige gitte opplysninger fra antakelser. For en innspilt demonstrasjon identifiserer du handlingen eller avviket som skal undersøkes, og ber om observasjoner knyttet til relevante deler av materialet. Den forventede leveransen kan være en skriftlig løsning, en strukturert observasjonsliste eller en forklaring av hva kildegrunnlaget underbygger.
Forbered inndataene som en multimodal samtale med den tilhørende prosessoren og chatmalen. Utviklerens behandlingsverktøy håndterer sammenflettet tekst, bilder, lyd og video. Qwen beskriver strømming av tekstsvar som en del av familiens interaksjonsdesign og demonstrerer batchinferens med blandede medier og kun tekst som utdata. I hver dialogrunde anbefaler produsenten en uttrykkelig tekstinstruksjon sammen med mediene. En video alene gjør oppgaven tvetydig: angi om handlinger skal oppsummeres, to scener sammenlignes, en lyd forklares eller den viste oppgaven løses. Merk flere inndata og forholdet mellom dem, slik at sluttteksten kan knytte riktig spørsmål til riktig materiale.
For video som inneholder tale eller hendelseslyder, avgjør du om lyden inngår i oppgaven. Den dokumenterte flyten bruker use_audio_in_video konsekvent under forbehandling og generering, og kortet advarer om at endring av denne innstillingen mellom dialogrunder kan føre til uventede resultater. Et spørsmål bare om scenen og et audiovisuelt spørsmål trenger derfor forskjellig forberedelse. Ha originalklippet tilgjengelig, velg det relevante intervallet og unngå å utelate lydsporet når den forespurte konklusjonen avhenger av det som ble sagt eller hørt.
Den publiserte tekstkonfigurasjonen setter max_position_embeddings til 65,536. Kortets vLLM-eksempler bruker separat en modellengdeinnstilling på 32,768 tokener og en genereringsinnstilling på 16,384 tokener. Disse viser et konfigurert inferenseksempel fremfor én universell maksimal utdatagrense. Medier representeres gjennom prosessoren, så forespørselsstørrelse er ikke bare antallet skrevne tegn. Sett av plass til tekstresultatet og bruk et avgrenset kildesegment når et langt opptak bare inneholder en kort hendelse som er relevant for spørsmålet.
Utvikleren demonstrerer Transformers- og vLLM-arbeidsflyter, med prosessorstøtte og mediedekoding som uttrykkelige avhengigheter. Det felles kortet dokumenterer også grensesnittforskjeller, inkludert separat håndtering av video og lyd i et driftseksempel. Velg den konkrete Thinking-modellversjonen og dens støttede behandlingsvei fremfor å anta at alle eksempler på familiekortet har samme utdataatferd. Talestemmer og Talker-kontroller på denne siden gjelder Instruct, ikke denne modellen med bare Thinker.
For et nyttig sluttresultat ber du om en kildebasert forklaring og en tydelig atskilt konklusjon. I en visuell oppgave beholder du enheter, symboler og etiketter; i lyd skiller du hørbart innhold fra en utledet kilde; i video skiller du observerte handlinger fra en tolkning av hensikt. Undersøk resultatet opp mot det vedlagte materialet, og identifiser usikre eller uleselige detaljer uttrykkelig. Modellens tekstsvar kan støtte analyse eller et senere programsteg, mens verktøyutførelse, faktabekreftelse eller medietransformasjon forblir en separat operasjon som trenger egne inndata og resultat.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser Qwen/Qwen3-Omni-30B-A3B-Thinking | 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-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-Omni-30B-A3B-Thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen3-Omni-30B-A3B-Thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-Thinking
Bruk metodestiene som vises ovenfor.
Qwen/Qwen3-Omni-30B-A3B-ThinkingQwen3-Omni-30B-A3B-Thinking resonnerer over tekst, bilder, lyd og video og returnerer tekst. Denne utgaven med bare Thinker egner seg til visuell matematikk, lydanalyse og spørsmål som trenger kildegrunnlag fra flere modaliteter; talegenerering tilhører en annen Omni-utgivelse.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3-Omni-30B-A3B-Thinking er det resonneringsorienterte medlemmet av Qwen3-Omni. Den forstår tekst, bilder, lyd og video, inkludert kombinasjoner i samme samtale, og produserer et tekstresultat. Den konkrete Thinking-utgaven inneholder Thinker-komponenten og er utstyrt for resonnering; den inkluderer ikke Talker, som brukes til taleutdata i Instruct-modellversjonen. Dette skillet er viktig når du velger en modell til en analytisk rapport fremfor en talesamtale.
Produsenten beskriver Qwen3-Omni som en flerspråklig mixture-of-experts-familie med 119 tekstspråk og 19 språk for taleinndata. Russisk finnes i den publiserte listen over taleinndataspråk. Den konkrete Thinking-konfigurasjonen inkluderer 48 teksttransformerlag, 128 eksperter og åtte eksperter valgt per token. Den har også komponenter for lyd- og bildebehandling. Dette er egenskaper ved den navngitte modellversjonen; dens multimodale forståelse bør ikke erstattes med funksjonene til en rent tekstbasert Qwen3-modell med en lignende størrelsesetikett.
Oppskriftsveiledningene dekker talegjenkjenning og -oversettelse, analyse av musikk og omgivelseslyder, blandet lyd, bildespørsmål, OCR, objektforankring, videobeskrivelser og audiovisuelle spørsmål. Bildematematikk fremhever spesifikt Thinking-utgaven. For en geometrioppgave legger du ved hele diagrammet, lesbare etiketter og spørsmålet, og ber deretter om en løsning som skiller synlige gitte opplysninger fra antakelser. For en innspilt demonstrasjon identifiserer du handlingen eller avviket som skal undersøkes, og ber om observasjoner knyttet til relevante deler av materialet. Den forventede leveransen kan være en skriftlig løsning, en strukturert observasjonsliste eller en forklaring av hva kildegrunnlaget underbygger.
Forbered inndataene som en multimodal samtale med den tilhørende prosessoren og chatmalen. Utviklerens behandlingsverktøy håndterer sammenflettet tekst, bilder, lyd og video. Qwen beskriver strømming av tekstsvar som en del av familiens interaksjonsdesign og demonstrerer batchinferens med blandede medier og kun tekst som utdata. I hver dialogrunde anbefaler produsenten en uttrykkelig tekstinstruksjon sammen med mediene. En video alene gjør oppgaven tvetydig: angi om handlinger skal oppsummeres, to scener sammenlignes, en lyd forklares eller den viste oppgaven løses. Merk flere inndata og forholdet mellom dem, slik at sluttteksten kan knytte riktig spørsmål til riktig materiale.
For video som inneholder tale eller hendelseslyder, avgjør du om lyden inngår i oppgaven. Den dokumenterte flyten bruker use_audio_in_video konsekvent under forbehandling og generering, og kortet advarer om at endring av denne innstillingen mellom dialogrunder kan føre til uventede resultater. Et spørsmål bare om scenen og et audiovisuelt spørsmål trenger derfor forskjellig forberedelse. Ha originalklippet tilgjengelig, velg det relevante intervallet og unngå å utelate lydsporet når den forespurte konklusjonen avhenger av det som ble sagt eller hørt.
Den publiserte tekstkonfigurasjonen setter max_position_embeddings til 65,536. Kortets vLLM-eksempler bruker separat en modellengdeinnstilling på 32,768 tokener og en genereringsinnstilling på 16,384 tokener. Disse viser et konfigurert inferenseksempel fremfor én universell maksimal utdatagrense. Medier representeres gjennom prosessoren, så forespørselsstørrelse er ikke bare antallet skrevne tegn. Sett av plass til tekstresultatet og bruk et avgrenset kildesegment når et langt opptak bare inneholder en kort hendelse som er relevant for spørsmålet.
Utvikleren demonstrerer Transformers- og vLLM-arbeidsflyter, med prosessorstøtte og mediedekoding som uttrykkelige avhengigheter. Det felles kortet dokumenterer også grensesnittforskjeller, inkludert separat håndtering av video og lyd i et driftseksempel. Velg den konkrete Thinking-modellversjonen og dens støttede behandlingsvei fremfor å anta at alle eksempler på familiekortet har samme utdataatferd. Talestemmer og Talker-kontroller på denne siden gjelder Instruct, ikke denne modellen med bare Thinker.
For et nyttig sluttresultat ber du om en kildebasert forklaring og en tydelig atskilt konklusjon. I en visuell oppgave beholder du enheter, symboler og etiketter; i lyd skiller du hørbart innhold fra en utledet kilde; i video skiller du observerte handlinger fra en tolkning av hensikt. Undersøk resultatet opp mot det vedlagte materialet, og identifiser usikre eller uleselige detaljer uttrykkelig. Modellens tekstsvar kan støtte analyse eller et senere programsteg, mens verktøyutførelse, faktabekreftelse eller medietransformasjon forblir en separat operasjon som trenger egne inndata og resultat.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser Qwen/Qwen3-Omni-30B-A3B-Thinking | 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 $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "Qwen/Qwen3-Omni-30B-A3B-Thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Omni-30B-A3B-Thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen3-Omni-30B-A3B-Thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-Thinking
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Reconcile demonstration annotations\n\nAnalyze these supplied text annotations of a demonstration. T0 visual note: valve indicator reads Closed. T1 speech transcript: "I am opening the valve now." T2 visual note: indicator still reads Closed; valve mechanism is off camera. State what each source establishes, whether successful opening is confirmed and what evidence would resolve the discrepancy.An evidence table separating visual notes from quoted speech, followed by a conclusion and one verification need.Check that a spoken intention is not treated as proof of the off-camera action or a faulty indicator.