235B-A22B Instruct-utgaven
Qwen3-VL-235B-A22B-Instruct er det instruksjonsfokuserte mixture-of-experts-medlemmet av Qwen3-VL. Den tar imot tekst, bilder og video og genererer tekst, inkludert kode eller en forespurt dokumentleveranse. Bevar den konkrete Instruct-utgaven fremfor å tilordne den en Thinking-modellversjons svarspesifikasjon eller en annen størrelses oppsett. En nyttig oppgave gir modellen et konkret spørsmål og et resultat som kan sammenlignes med det vedlagte kildegrunnlaget.
Visuelle agenter og programmering
Utvikleren beskriver visuelle agentarbeidsflyter som gjenkjenner grensesnittelementer, forstår funksjonene deres og kaller verktøy for datamaskin- eller mobiloppgaver. Legg ved et skjermbilde og et mål, og be deretter om den relevante kontrollen og observasjonene som underbygger valget. Det tilkoblede programmet utfører handlinger og leverer resultater; gjenkjenning av et grensesnitt styrer ikke i seg selv en enhet.
Visuell programmering omfatter diagraminnhold og HTML, CSS eller JavaScript produsert fra bilder eller video. Legg ved layoutreferansen, funksjonsbegrensninger og påkrevde redigerbare utdata. For en endring i en eksisterende side inkluderer du relevant kildekode og interaksjonstilstander. Be om leveransen separat fra forklaringen, slik at den kan rendres og vurderes av en utviklingsarbeidsflyt. Generert kildekode forblir et forslag, ikke bevis på et fungerende program.
Romlig persepsjon og langt materiale
Qwen dokumenterer vurderinger av posisjoner, synsvinkler og tildekking, inkludert todimensjonal forankring og støtte for tredimensjonal forankring. Identifiser objektene og forholdet som er viktig, og spør deretter hvilke synlige holdepunkter som underbygger konklusjonen. Et bildebasert forhold bør ikke behandles som en kalibrert fysisk måling.
Den opprinnelige konteksten er på 262,144 tokener. Familien beskriver bøker og videoer som varer i timer, med hendelsesindeksering på sekundnivå og utvidelse til omtrent én million tokener gjennom konfigurasjon. Bevar tidsinformasjon og kildeidentifikatorer når du ber om en hendelsesbeskrivelse. Representasjon og sampling avgjør hvilket materiale som inngår i forespørselen; en stor kontekst garanterer ikke perfekt gjenkalling av hver side eller hvert bilde.
Resonnering, gjenkjenning og OCR
Familien støtter visuelle spørsmål innen STEM, matematikk, årsaksanalyse og logikk. Oppgi hele oppgaveteksten og diagrametiketter, og be modellen identifisere verdiene eller sammenhengene som brukes, før konklusjonen. Tekst og syn kombineres, slik at ett spørsmål kan knytte et avsnitt til figuren og brukerens instruksjoner.
Gjenkjenningen omfatter personer, produkter, landemerker, planter, dyr og mediefigurer. OCR dekker 32 språk og retter seg mot lite lys, uskarphet og skjevhet, inkludert faguttrykk og struktur i lange dokumenter. Legg ved lesbare sider og be om navngitte felter, sitater eller en tabell som kan kontrolleres mot bildet. Disse anvendelsene gjenspeiler det dokumenterte området fremfor å garantere nøyaktig identifikasjon, transkripsjon eller beregning.
Arkitekturoppdateringer
Den publiserte mixture-of-experts-tekstkonfigurasjonen har 94 lag, 128 eksperter og åtte eksperter valgt per token. Interleaved-MRoPE representerer tid, bredde og høyde for videoresonnering. DeepStack kombinerer visuelle trekk fra flere enkodernivåer, og samordning av tekst og tidsstempler forankrer hendelser i tidsreferanser. Bruk denne 235B-A22B Instruct-utgaven konsekvent når du forbereder visuelle oppgaver og sammenligner resultatene.
Forberede visuelle inndata
Familieeksemplene dekker rent tekstbaserte forespørsler, ett eller flere bilder og video. Merk visuelle inndata og angi hvordan de henger sammen. Pikselbudsjetter for bilder og video er separate, mens eksplisitte bildedimensjoner tilpasses multipler av 32. Den dokumenterte videostandarden er to bilder per sekund, med kontroller for frekvens eller bildeantall der det støttes. Bevar videometadata og unngå å endre størrelse to ganger når hjelperen allerede har endret materialets størrelse.
For flere dokumentsider organiserer du svaret etter sideetikett og ber om underbyggende felter eller avsnitt. For et klipp ber du om den relevante hendelsen, intervallet og synlige observasjoner. Sammenlign det returnerte hendelsesintervallet og de underbyggende detaljene med det opprinnelige klippet og tidsinformasjonen.
Genereringsveiledning og grenser
Modellversjonens genereringsfil bruker som standard temperature 0.7, top_p 0.8, top_k 20 og repetisjonsstraff 1.0. Familiens Instruct-oppsett bruker i tillegg tilstedeværelsesstraff 1.5 og en utdataramme på 32,768 tokener. Denne rammen er et budsjett i produsentens oppsett, ikke en uavhengig fastslått absolutt utdatagrense. 8B-kortets oppgavespesifikke rammer og Thinking-utgavens forvalg forblir separate.
Familiens kontekstutvidelse bruker YaRN og foreslår en faktor på to eller tre ved overgang fra 256K til omtrent 1M i det sammenflettede posisjonssystemet. Sett av svarplass sammen med tekst og representert visuelt materiale, og verifiser sitater, uthentede tall og generert kode mot kilden. Det nyttige resultatet er en konkret tekstleveranse med underbyggende visuelt kildegrunnlag og den nøyaktige Instruct-identiteten bevart.
", "aboutText": "235B-A22B Instruct-utgaven\n\nQwen3-VL-235B-A22B-Instruct er det instruksjonsfokuserte mixture-of-experts-medlemmet av Qwen3-VL. Den tar imot tekst, bilder og video og genererer tekst, inkludert kode eller en forespurt dokumentleveranse. Bevar den konkrete Instruct-utgaven fremfor å tilordne den en Thinking-modellversjons svarspesifikasjon eller en annen størrelses oppsett. En nyttig oppgave gir modellen et konkret spørsmål og et resultat som kan sammenlignes med det vedlagte kildegrunnlaget.\n\nVisuelle agenter og programmering\n\nUtvikleren beskriver visuelle agentarbeidsflyter som gjenkjenner grensesnittelementer, forstår funksjonene deres og kaller verktøy for datamaskin- eller mobiloppgaver. Legg ved et skjermbilde og et mål, og be deretter om den relevante kontrollen og observasjonene som underbygger valget. Det tilkoblede programmet utfører handlinger og leverer resultater; gjenkjenning av et grensesnitt styrer ikke i seg selv en enhet.\n\nVisuell programmering omfatter diagraminnhold og HTML, CSS eller JavaScript produsert fra bilder eller video. Legg ved layoutreferansen, funksjonsbegrensninger og påkrevde redigerbare utdata. For en endring i en eksisterende side inkluderer du relevant kildekode og interaksjonstilstander. Be om leveransen separat fra forklaringen, slik at den kan rendres og vurderes av en utviklingsarbeidsflyt. Generert kildekode forblir et forslag, ikke bevis på et fungerende program.\n\nRomlig persepsjon og langt materiale\n\nQwen dokumenterer vurderinger av posisjoner, synsvinkler og tildekking, inkludert todimensjonal forankring og støtte for tredimensjonal forankring. Identifiser objektene og forholdet som er viktig, og spør deretter hvilke synlige holdepunkter som underbygger konklusjonen. Et bildebasert forhold bør ikke behandles som en kalibrert fysisk måling.\n\nDen opprinnelige konteksten er på 262,144 tokener. Familien beskriver bøker og videoer som varer i timer, med hendelsesindeksering på sekundnivå og utvidelse til omtrent én million tokener gjennom konfigurasjon. Bevar tidsinformasjon og kildeidentifikatorer når du ber om en hendelsesbeskrivelse. Representasjon og sampling avgjør hvilket materiale som inngår i forespørselen; en stor kontekst garanterer ikke perfekt gjenkalling av hver side eller hvert bilde.\n\nResonnering, gjenkjenning og OCR\n\nFamilien støtter visuelle spørsmål innen STEM, matematikk, årsaksanalyse og logikk. Oppgi hele oppgaveteksten og diagrametiketter, og be modellen identifisere verdiene eller sammenhengene som brukes, før konklusjonen. Tekst og syn kombineres, slik at ett spørsmål kan knytte et avsnitt til figuren og brukerens instruksjoner.\n\nGjenkjenningen omfatter personer, produkter, landemerker, planter, dyr og mediefigurer. OCR dekker 32 språk og retter seg mot lite lys, uskarphet og skjevhet, inkludert faguttrykk og struktur i lange dokumenter. Legg ved lesbare sider og be om navngitte felter, sitater eller en tabell som kan kontrolleres mot bildet. Disse anvendelsene gjenspeiler det dokumenterte området fremfor å garantere nøyaktig identifikasjon, transkripsjon eller beregning.\n\nArkitekturoppdateringer\n\nDen publiserte mixture-of-experts-tekstkonfigurasjonen har 94 lag, 128 eksperter og åtte eksperter valgt per token. Interleaved-MRoPE representerer tid, bredde og høyde for videoresonnering. DeepStack kombinerer visuelle trekk fra flere enkodernivåer, og samordning av tekst og tidsstempler forankrer hendelser i tidsreferanser. Bruk denne 235B-A22B Instruct-utgaven konsekvent når du forbereder visuelle oppgaver og sammenligner resultatene.\n\nForberede visuelle inndata\n\nFamilieeksemplene dekker rent tekstbaserte forespørsler, ett eller flere bilder og video. Merk visuelle inndata og angi hvordan de henger sammen. Pikselbudsjetter for bilder og video er separate, mens eksplisitte bildedimensjoner tilpasses multipler av 32. Den dokumenterte videostandarden er to bilder per sekund, med kontroller for frekvens eller bildeantall der det støttes. Bevar videometadata og unngå å endre størrelse to ganger når hjelperen allerede har endret materialets størrelse.\n\nFor flere dokumentsider organiserer du svaret etter sideetikett og ber om underbyggende felter eller avsnitt. For et klipp ber du om den relevante hendelsen, intervallet og synlige observasjoner. Sammenlign det returnerte hendelsesintervallet og de underbyggende detaljene med det opprinnelige klippet og tidsinformasjonen.\n\nGenereringsveiledning og grenser\n\nModellversjonens genereringsfil bruker som standard temperature 0.7, top_p 0.8, top_k 20 og repetisjonsstraff 1.0. Familiens Instruct-oppsett bruker i tillegg tilstedeværelsesstraff 1.5 og en utdataramme på 32,768 tokener. Denne rammen er et budsjett i produsentens oppsett, ikke en uavhengig fastslått absolutt utdatagrense. 8B-kortets oppgavespesifikke rammer og Thinking-utgavens forvalg forblir separate.\n\nFamiliens kontekstutvidelse bruker YaRN og foreslår en faktor på to eller tre ved overgang fra 256K til omtrent 1M i det sammenflettede posisjonssystemet. Sett av svarplass sammen med tekst og representert visuelt materiale, og verifiser sitater, uthentede tall og generert kode mot kilden. Det nyttige resultatet er en konkret tekstleveranse med underbyggende visuelt kildegrunnlag og den nøyaktige Instruct-identiteten bevart.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Translate a layout description to HTML\n\nCreate a semantic HTML fragment from this text layout specification: a product section contains heading "Travel mug", a paragraph "350 ml, steel", and a list of features "Sealed lid" and "Hand wash". Return editable HTML only, with no scripts or styles. Preserve exact wording and use a heading, paragraph and unordered list.One semantic HTML fragment using the requested heading, paragraph and two-item list.Inspect the element hierarchy and exact text; do not add a product image or unprovided features.qwen/qwen3-vl-235b-a22b-instructQwen3-VL-235B-A22B-Instruct er Qwens instruksjonsorienterte visjon-språk-utgave med en blanding av eksperter for tekst, bilder og video. Den returnerer tekst eller kode for visuelle arbeidsflyter, dokumenter, romlige spørsmål og STEM-oppgaver, med OCR på 32 språk og en opprinnelig kontekst på 262,144 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
235B-A22B Instruct-utgaven
Qwen3-VL-235B-A22B-Instruct er det instruksjonsfokuserte mixture-of-experts-medlemmet av Qwen3-VL. Den tar imot tekst, bilder og video og genererer tekst, inkludert kode eller en forespurt dokumentleveranse. Bevar den konkrete Instruct-utgaven fremfor å tilordne den en Thinking-modellversjons svarspesifikasjon eller en annen størrelses oppsett. En nyttig oppgave gir modellen et konkret spørsmål og et resultat som kan sammenlignes med det vedlagte kildegrunnlaget.
Visuelle agenter og programmering
Utvikleren beskriver visuelle agentarbeidsflyter som gjenkjenner grensesnittelementer, forstår funksjonene deres og kaller verktøy for datamaskin- eller mobiloppgaver. Legg ved et skjermbilde og et mål, og be deretter om den relevante kontrollen og observasjonene som underbygger valget. Det tilkoblede programmet utfører handlinger og leverer resultater; gjenkjenning av et grensesnitt styrer ikke i seg selv en enhet.
Visuell programmering omfatter diagraminnhold og HTML, CSS eller JavaScript produsert fra bilder eller video. Legg ved layoutreferansen, funksjonsbegrensninger og påkrevde redigerbare utdata. For en endring i en eksisterende side inkluderer du relevant kildekode og interaksjonstilstander. Be om leveransen separat fra forklaringen, slik at den kan rendres og vurderes av en utviklingsarbeidsflyt. Generert kildekode forblir et forslag, ikke bevis på et fungerende program.
Romlig persepsjon og langt materiale
Qwen dokumenterer vurderinger av posisjoner, synsvinkler og tildekking, inkludert todimensjonal forankring og støtte for tredimensjonal forankring. Identifiser objektene og forholdet som er viktig, og spør deretter hvilke synlige holdepunkter som underbygger konklusjonen. Et bildebasert forhold bør ikke behandles som en kalibrert fysisk måling.
Den opprinnelige konteksten er på 262,144 tokener. Familien beskriver bøker og videoer som varer i timer, med hendelsesindeksering på sekundnivå og utvidelse til omtrent én million tokener gjennom konfigurasjon. Bevar tidsinformasjon og kildeidentifikatorer når du ber om en hendelsesbeskrivelse. Representasjon og sampling avgjør hvilket materiale som inngår i forespørselen; en stor kontekst garanterer ikke perfekt gjenkalling av hver side eller hvert bilde.
Resonnering, gjenkjenning og OCR
Familien støtter visuelle spørsmål innen STEM, matematikk, årsaksanalyse og logikk. Oppgi hele oppgaveteksten og diagrametiketter, og be modellen identifisere verdiene eller sammenhengene som brukes, før konklusjonen. Tekst og syn kombineres, slik at ett spørsmål kan knytte et avsnitt til figuren og brukerens instruksjoner.
Gjenkjenningen omfatter personer, produkter, landemerker, planter, dyr og mediefigurer. OCR dekker 32 språk og retter seg mot lite lys, uskarphet og skjevhet, inkludert faguttrykk og struktur i lange dokumenter. Legg ved lesbare sider og be om navngitte felter, sitater eller en tabell som kan kontrolleres mot bildet. Disse anvendelsene gjenspeiler det dokumenterte området fremfor å garantere nøyaktig identifikasjon, transkripsjon eller beregning.
Arkitekturoppdateringer
Den publiserte mixture-of-experts-tekstkonfigurasjonen har 94 lag, 128 eksperter og åtte eksperter valgt per token. Interleaved-MRoPE representerer tid, bredde og høyde for videoresonnering. DeepStack kombinerer visuelle trekk fra flere enkodernivåer, og samordning av tekst og tidsstempler forankrer hendelser i tidsreferanser. Bruk denne 235B-A22B Instruct-utgaven konsekvent når du forbereder visuelle oppgaver og sammenligner resultatene.
Forberede visuelle inndata
Familieeksemplene dekker rent tekstbaserte forespørsler, ett eller flere bilder og video. Merk visuelle inndata og angi hvordan de henger sammen. Pikselbudsjetter for bilder og video er separate, mens eksplisitte bildedimensjoner tilpasses multipler av 32. Den dokumenterte videostandarden er to bilder per sekund, med kontroller for frekvens eller bildeantall der det støttes. Bevar videometadata og unngå å endre størrelse to ganger når hjelperen allerede har endret materialets størrelse.
For flere dokumentsider organiserer du svaret etter sideetikett og ber om underbyggende felter eller avsnitt. For et klipp ber du om den relevante hendelsen, intervallet og synlige observasjoner. Sammenlign det returnerte hendelsesintervallet og de underbyggende detaljene med det opprinnelige klippet og tidsinformasjonen.
Genereringsveiledning og grenser
Modellversjonens genereringsfil bruker som standard temperature 0.7, top_p 0.8, top_k 20 og repetisjonsstraff 1.0. Familiens Instruct-oppsett bruker i tillegg tilstedeværelsesstraff 1.5 og en utdataramme på 32,768 tokener. Denne rammen er et budsjett i produsentens oppsett, ikke en uavhengig fastslått absolutt utdatagrense. 8B-kortets oppgavespesifikke rammer og Thinking-utgavens forvalg forblir separate.
Familiens kontekstutvidelse bruker YaRN og foreslår en faktor på to eller tre ved overgang fra 256K til omtrent 1M i det sammenflettede posisjonssystemet. Sett av svarplass sammen med tekst og representert visuelt materiale, og verifiser sitater, uthentede tall og generert kode mot kilden. Det nyttige resultatet er en konkret tekstleveranse med underbyggende visuelt kildegrunnlag og den nøyaktige Instruct-identiteten bevart.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3-vl-235b-a22b-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.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.000572 / 1K tokener Utdata · Utgående tokener $0.0038 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0002 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.000572 / 1K tokener Utdata · Utgående tokener $0.0038 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0002 / 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-vl-235b-a22b-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-vl-235b-a22b-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-vl-235b-a22b-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-vl-235b-a22b-instruct
Bruk metodestiene som vises ovenfor.
qwen/qwen3-vl-235b-a22b-instructQwen3-VL-235B-A22B-Instruct er Qwens instruksjonsorienterte visjon-språk-utgave med en blanding av eksperter for tekst, bilder og video. Den returnerer tekst eller kode for visuelle arbeidsflyter, dokumenter, romlige spørsmål og STEM-oppgaver, med OCR på 32 språk og en opprinnelig kontekst på 262,144 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
235B-A22B Instruct-utgaven
Qwen3-VL-235B-A22B-Instruct er det instruksjonsfokuserte mixture-of-experts-medlemmet av Qwen3-VL. Den tar imot tekst, bilder og video og genererer tekst, inkludert kode eller en forespurt dokumentleveranse. Bevar den konkrete Instruct-utgaven fremfor å tilordne den en Thinking-modellversjons svarspesifikasjon eller en annen størrelses oppsett. En nyttig oppgave gir modellen et konkret spørsmål og et resultat som kan sammenlignes med det vedlagte kildegrunnlaget.
Visuelle agenter og programmering
Utvikleren beskriver visuelle agentarbeidsflyter som gjenkjenner grensesnittelementer, forstår funksjonene deres og kaller verktøy for datamaskin- eller mobiloppgaver. Legg ved et skjermbilde og et mål, og be deretter om den relevante kontrollen og observasjonene som underbygger valget. Det tilkoblede programmet utfører handlinger og leverer resultater; gjenkjenning av et grensesnitt styrer ikke i seg selv en enhet.
Visuell programmering omfatter diagraminnhold og HTML, CSS eller JavaScript produsert fra bilder eller video. Legg ved layoutreferansen, funksjonsbegrensninger og påkrevde redigerbare utdata. For en endring i en eksisterende side inkluderer du relevant kildekode og interaksjonstilstander. Be om leveransen separat fra forklaringen, slik at den kan rendres og vurderes av en utviklingsarbeidsflyt. Generert kildekode forblir et forslag, ikke bevis på et fungerende program.
Romlig persepsjon og langt materiale
Qwen dokumenterer vurderinger av posisjoner, synsvinkler og tildekking, inkludert todimensjonal forankring og støtte for tredimensjonal forankring. Identifiser objektene og forholdet som er viktig, og spør deretter hvilke synlige holdepunkter som underbygger konklusjonen. Et bildebasert forhold bør ikke behandles som en kalibrert fysisk måling.
Den opprinnelige konteksten er på 262,144 tokener. Familien beskriver bøker og videoer som varer i timer, med hendelsesindeksering på sekundnivå og utvidelse til omtrent én million tokener gjennom konfigurasjon. Bevar tidsinformasjon og kildeidentifikatorer når du ber om en hendelsesbeskrivelse. Representasjon og sampling avgjør hvilket materiale som inngår i forespørselen; en stor kontekst garanterer ikke perfekt gjenkalling av hver side eller hvert bilde.
Resonnering, gjenkjenning og OCR
Familien støtter visuelle spørsmål innen STEM, matematikk, årsaksanalyse og logikk. Oppgi hele oppgaveteksten og diagrametiketter, og be modellen identifisere verdiene eller sammenhengene som brukes, før konklusjonen. Tekst og syn kombineres, slik at ett spørsmål kan knytte et avsnitt til figuren og brukerens instruksjoner.
Gjenkjenningen omfatter personer, produkter, landemerker, planter, dyr og mediefigurer. OCR dekker 32 språk og retter seg mot lite lys, uskarphet og skjevhet, inkludert faguttrykk og struktur i lange dokumenter. Legg ved lesbare sider og be om navngitte felter, sitater eller en tabell som kan kontrolleres mot bildet. Disse anvendelsene gjenspeiler det dokumenterte området fremfor å garantere nøyaktig identifikasjon, transkripsjon eller beregning.
Arkitekturoppdateringer
Den publiserte mixture-of-experts-tekstkonfigurasjonen har 94 lag, 128 eksperter og åtte eksperter valgt per token. Interleaved-MRoPE representerer tid, bredde og høyde for videoresonnering. DeepStack kombinerer visuelle trekk fra flere enkodernivåer, og samordning av tekst og tidsstempler forankrer hendelser i tidsreferanser. Bruk denne 235B-A22B Instruct-utgaven konsekvent når du forbereder visuelle oppgaver og sammenligner resultatene.
Forberede visuelle inndata
Familieeksemplene dekker rent tekstbaserte forespørsler, ett eller flere bilder og video. Merk visuelle inndata og angi hvordan de henger sammen. Pikselbudsjetter for bilder og video er separate, mens eksplisitte bildedimensjoner tilpasses multipler av 32. Den dokumenterte videostandarden er to bilder per sekund, med kontroller for frekvens eller bildeantall der det støttes. Bevar videometadata og unngå å endre størrelse to ganger når hjelperen allerede har endret materialets størrelse.
For flere dokumentsider organiserer du svaret etter sideetikett og ber om underbyggende felter eller avsnitt. For et klipp ber du om den relevante hendelsen, intervallet og synlige observasjoner. Sammenlign det returnerte hendelsesintervallet og de underbyggende detaljene med det opprinnelige klippet og tidsinformasjonen.
Genereringsveiledning og grenser
Modellversjonens genereringsfil bruker som standard temperature 0.7, top_p 0.8, top_k 20 og repetisjonsstraff 1.0. Familiens Instruct-oppsett bruker i tillegg tilstedeværelsesstraff 1.5 og en utdataramme på 32,768 tokener. Denne rammen er et budsjett i produsentens oppsett, ikke en uavhengig fastslått absolutt utdatagrense. 8B-kortets oppgavespesifikke rammer og Thinking-utgavens forvalg forblir separate.
Familiens kontekstutvidelse bruker YaRN og foreslår en faktor på to eller tre ved overgang fra 256K til omtrent 1M i det sammenflettede posisjonssystemet. Sett av svarplass sammen med tekst og representert visuelt materiale, og verifiser sitater, uthentede tall og generert kode mot kilden. Det nyttige resultatet er en konkret tekstleveranse med underbyggende visuelt kildegrunnlag og den nøyaktige Instruct-identiteten bevart.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3-vl-235b-a22b-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.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.000572 / 1K tokener Utdata · Utgående tokener $0.0038 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0002 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.000572 / 1K tokener Utdata · Utgående tokener $0.0038 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0002 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen/qwen3-vl-235b-a22b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-vl-235b-a22b-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-vl-235b-a22b-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-vl-235b-a22b-instruct
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Translate a layout description to HTML\n\nCreate a semantic HTML fragment from this text layout specification: a product section contains heading "Travel mug", a paragraph "350 ml, steel", and a list of features "Sealed lid" and "Hand wash". Return editable HTML only, with no scripts or styles. Preserve exact wording and use a heading, paragraph and unordered list.One semantic HTML fragment using the requested heading, paragraph and two-item list.Inspect the element hierarchy and exact text; do not add a product image or unprovided features.