30B-A3B Thinking-utgaven
Qwen3-VL-30B-A3B-Thinking er den resonneringsforsterkede mixture-of-experts-utgaven av Qwen3-VL. Den tar imot tekst, bilder og video og produserer tekst, inkludert kode eller en forklart konklusjon. Hold Thinking-identiteten atskilt fra Qwen3-VL-30B-A3B-Instruct og andre familiestørrelser. Utviklerens skille mellom utgavene beskriver den tiltenkte resonneringsatferden uten å fastslå en programspesifikk hybridbryter.
Visuelle agenter og programmering
Qwen dokumenterer en visuell agentarbeidsflyt som gjenkjenner kontroller på datamaskiner eller mobiler, forstår funksjonene deres og kaller verktøy. For en grensesnittoppgave legger du ved det aktuelle skjermbildet og det tiltenkte målet, og ber deretter om den relevante kontrollen og en forklaring knyttet til synlige observasjoner. Det tilkoblede programmet utfører handlinger og returnerer resultater; modellens visuelle resonnering styrer ikke enheten selvstendig.
Familien genererer også diagraminnhold, HTML, CSS og JavaScript fra bilder eller video. Legg ved den visuelle referansen med funksjonskrav og be om redigerbar kildekode. For et eksisterende grensesnitt identifiserer du den tiltenkte endringen og relevant kode fremfor å forvente at et uforklart bilde definerer alle interaksjoner. Generert kildekode er en leveranse som skal rendres og vurderes, ikke bevis på et fungerende program.
Rom, lang kontekst og video
Utvikleren beskriver vurderinger av objektposisjoner, synsvinkler og tildekking, med todimensjonal forankring og støtte for tredimensjonal forankring. Spør hvilket forhold som er viktig, og hvilke holdepunkter som underbygger konklusjonen. Et visuelt forhold bør holdes atskilt fra 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, bilderekkefølge og kildeidentifikatorer når du ber om en hendelsesbeskrivelse. Kontekst og sampling avgjør hvilket materiale som representeres i en forespørsel; familiebeskrivelsen bør ikke bli et ubetinget løfte om perfekt gjenkalling.
Multimodal resonnering, gjenkjenning og OCR
Thinking-utgaven er relevant for STEM-spørsmål, matematiske spørsmål og logiske spørsmål som knytter visuelt kildegrunnlag til en forklaring. Legg ved hele oppgaveteksten, diagrametiketter og enheter, og be om verdiene og sammenhengene som brukes, før sluttsvaret. En tydelig leveranse kan være et avgrenset resultat, en dokumentasjonstabell eller en kort konklusjon underbygd av bildet og teksten.
Familien utvider visuell gjenkjenning til personer, produkter, landemerker, planter, dyr og mediefigurer. OCR dekker 32 språk og retter seg mot lesing under lite lys, uskarphet eller skjevhet, inkludert faguttrykk og dokumentstruktur. Bevar lesbarheten og be om felter eller sitater som kan kontrolleres. Disse bruksområdene anvender dokumenterte funksjoner; de garanterer ikke korrekt identitet, transkripsjon eller matematisk konklusjon for alle inndata.
Arkitektur
Den konkrete konfigurasjonen identifiserer en mixture-of-experts-modell for syn og språk med 48 tekstlag, 128 eksperter og åtte eksperter valgt per token. Interleaved-MRoPE fordeler posisjonsinformasjon over tid, bredde og høyde. DeepStack kombinerer visuelle trekk fra flere enkodernivåer, og samordning av tekst og tidsstempler bidrar til å forankre hendelser i tidsreferanser. Bruk denne 30B-A3B Thinking-utgaven konsekvent når du forbereder visuelle resonneringsoppgaver og sammenligner resultatene.
Forberede inndata
Familieeksemplene støtter rent tekstbaserte oppgaver, ett eller flere bilder og video. Merk visuelle inndata og bevar forholdet mellom dem. Separate pikselbudsjetter for bilder og video lar en arbeidsflyt styre detaljnivået; eksplisitte bildedimensjoner tilpasses multipler av 32. Den dokumenterte videostandarden er to bilder per sekund, med kontroller for samplingsfrekvens eller bildeantall der det støttes. Behold videometadata og unngå å endre størrelse to ganger når hjelperen allerede har endret medienes størrelse.
For en dokumentsammenligning organiserer du resultatet etter sideidentifikator. For et klipp ber du om den relevante hendelsen, intervallet og kildegrunnlaget. Sett av sekvensplass til tenkning og slutttekst, i tillegg til de visuelle tokenene.
Genereringsveiledning og grenser
Modellversjonens genereringsfil bruker som standard temperature 0.8, top_p 0.95, top_k 20 og repetisjonsstraff 1.0. Familiens separate Thinking-evalueringsoppsett bruker temperature 0.6, tilstedeværelsesstraff null, repetisjonsstraff 1.0 og en utdataramme på 40,960 tokener. Dette er ulike produsentforvalg; rammen er ikke en uavhengig fastslått absolutt maksimal utdatalengde.
Familiens utvidelsesprosedyre bruker YaRN og foreslår en faktor på to eller tre for det sammenflettede posisjonssystemet ved overgang fra 256K til omtrent 1M. Den bør ikke arve en annen families faktor på fire. Kontroller uthentede etiketter, beregninger og generert kode mot det opprinnelige kildegrunnlaget, og hold den endelige leveransen tydelig atskilt fra resonneringen. Det praktiske resultatet er en visuell konklusjon eller et kodeforslag som kan vurderes, med denne konkrete Thinking-utgaven bevart.
", "aboutText": "30B-A3B Thinking-utgaven\n\nQwen3-VL-30B-A3B-Thinking er den resonneringsforsterkede mixture-of-experts-utgaven av Qwen3-VL. Den tar imot tekst, bilder og video og produserer tekst, inkludert kode eller en forklart konklusjon. Hold Thinking-identiteten atskilt fra Qwen3-VL-30B-A3B-Instruct og andre familiestørrelser. Utviklerens skille mellom utgavene beskriver den tiltenkte resonneringsatferden uten å fastslå en programspesifikk hybridbryter.\n\nVisuelle agenter og programmering\n\nQwen dokumenterer en visuell agentarbeidsflyt som gjenkjenner kontroller på datamaskiner eller mobiler, forstår funksjonene deres og kaller verktøy. For en grensesnittoppgave legger du ved det aktuelle skjermbildet og det tiltenkte målet, og ber deretter om den relevante kontrollen og en forklaring knyttet til synlige observasjoner. Det tilkoblede programmet utfører handlinger og returnerer resultater; modellens visuelle resonnering styrer ikke enheten selvstendig.\n\nFamilien genererer også diagraminnhold, HTML, CSS og JavaScript fra bilder eller video. Legg ved den visuelle referansen med funksjonskrav og be om redigerbar kildekode. For et eksisterende grensesnitt identifiserer du den tiltenkte endringen og relevant kode fremfor å forvente at et uforklart bilde definerer alle interaksjoner. Generert kildekode er en leveranse som skal rendres og vurderes, ikke bevis på et fungerende program.\n\nRom, lang kontekst og video\n\nUtvikleren beskriver vurderinger av objektposisjoner, synsvinkler og tildekking, med todimensjonal forankring og støtte for tredimensjonal forankring. Spør hvilket forhold som er viktig, og hvilke holdepunkter som underbygger konklusjonen. Et visuelt forhold bør holdes atskilt fra 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, bilderekkefølge og kildeidentifikatorer når du ber om en hendelsesbeskrivelse. Kontekst og sampling avgjør hvilket materiale som representeres i en forespørsel; familiebeskrivelsen bør ikke bli et ubetinget løfte om perfekt gjenkalling.\n\nMultimodal resonnering, gjenkjenning og OCR\n\nThinking-utgaven er relevant for STEM-spørsmål, matematiske spørsmål og logiske spørsmål som knytter visuelt kildegrunnlag til en forklaring. Legg ved hele oppgaveteksten, diagrametiketter og enheter, og be om verdiene og sammenhengene som brukes, før sluttsvaret. En tydelig leveranse kan være et avgrenset resultat, en dokumentasjonstabell eller en kort konklusjon underbygd av bildet og teksten.\n\nFamilien utvider visuell gjenkjenning til personer, produkter, landemerker, planter, dyr og mediefigurer. OCR dekker 32 språk og retter seg mot lesing under lite lys, uskarphet eller skjevhet, inkludert faguttrykk og dokumentstruktur. Bevar lesbarheten og be om felter eller sitater som kan kontrolleres. Disse bruksområdene anvender dokumenterte funksjoner; de garanterer ikke korrekt identitet, transkripsjon eller matematisk konklusjon for alle inndata.\n\nArkitektur\n\nDen konkrete konfigurasjonen identifiserer en mixture-of-experts-modell for syn og språk med 48 tekstlag, 128 eksperter og åtte eksperter valgt per token. Interleaved-MRoPE fordeler posisjonsinformasjon over tid, bredde og høyde. DeepStack kombinerer visuelle trekk fra flere enkodernivåer, og samordning av tekst og tidsstempler bidrar til å forankre hendelser i tidsreferanser. Bruk denne 30B-A3B Thinking-utgaven konsekvent når du forbereder visuelle resonneringsoppgaver og sammenligner resultatene.\n\nForberede inndata\n\nFamilieeksemplene støtter rent tekstbaserte oppgaver, ett eller flere bilder og video. Merk visuelle inndata og bevar forholdet mellom dem. Separate pikselbudsjetter for bilder og video lar en arbeidsflyt styre detaljnivået; eksplisitte bildedimensjoner tilpasses multipler av 32. Den dokumenterte videostandarden er to bilder per sekund, med kontroller for samplingsfrekvens eller bildeantall der det støttes. Behold videometadata og unngå å endre størrelse to ganger når hjelperen allerede har endret medienes størrelse.\n\nFor en dokumentsammenligning organiserer du resultatet etter sideidentifikator. For et klipp ber du om den relevante hendelsen, intervallet og kildegrunnlaget. Sett av sekvensplass til tenkning og slutttekst, i tillegg til de visuelle tokenene.\n\nGenereringsveiledning og grenser\n\nModellversjonens genereringsfil bruker som standard temperature 0.8, top_p 0.95, top_k 20 og repetisjonsstraff 1.0. Familiens separate Thinking-evalueringsoppsett bruker temperature 0.6, tilstedeværelsesstraff null, repetisjonsstraff 1.0 og en utdataramme på 40,960 tokener. Dette er ulike produsentforvalg; rammen er ikke en uavhengig fastslått absolutt maksimal utdatalengde.\n\nFamiliens utvidelsesprosedyre bruker YaRN og foreslår en faktor på to eller tre for det sammenflettede posisjonssystemet ved overgang fra 256K til omtrent 1M. Den bør ikke arve en annen families faktor på fire. Kontroller uthentede etiketter, beregninger og generert kode mot det opprinnelige kildegrunnlaget, og hold den endelige leveransen tydelig atskilt fra resonneringen. Det praktiske resultatet er en visuell konklusjon eller et kodeforslag som kan vurderes, med denne konkrete Thinking-utgaven bevart.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Reason about a transcribed geometry diagram\n\nUse this diagram transcription: rectangle ABCD has AB = 10 cm and BC = 6 cm; E is the midpoint of AB; segment CE is drawn. Find the area of triangle BCE. State the base and perpendicular height used, preserve the units, and give a short derivation. Do not assume any additional markings or image input.A short geometry derivation naming base BE and height BC, with the final area in square centimetres.The midpoint halves AB, and the triangle area uses one-half times the perpendicular base-height product.qwen/qwen3-vl-30b-a3b-thinkingQwen3-VL-30B-A3B-Thinking er Qwens mixture-of-experts-utgave for syn og språk til dypere resonnering om tekst, bilder og video. Den returnerer tekst eller kode til STEM-spørsmål, dokumenter, romlig analyse og visuelle arbeidsflyter, 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.
30B-A3B Thinking-utgaven
Qwen3-VL-30B-A3B-Thinking er den resonneringsforsterkede mixture-of-experts-utgaven av Qwen3-VL. Den tar imot tekst, bilder og video og produserer tekst, inkludert kode eller en forklart konklusjon. Hold Thinking-identiteten atskilt fra Qwen3-VL-30B-A3B-Instruct og andre familiestørrelser. Utviklerens skille mellom utgavene beskriver den tiltenkte resonneringsatferden uten å fastslå en programspesifikk hybridbryter.
Visuelle agenter og programmering
Qwen dokumenterer en visuell agentarbeidsflyt som gjenkjenner kontroller på datamaskiner eller mobiler, forstår funksjonene deres og kaller verktøy. For en grensesnittoppgave legger du ved det aktuelle skjermbildet og det tiltenkte målet, og ber deretter om den relevante kontrollen og en forklaring knyttet til synlige observasjoner. Det tilkoblede programmet utfører handlinger og returnerer resultater; modellens visuelle resonnering styrer ikke enheten selvstendig.
Familien genererer også diagraminnhold, HTML, CSS og JavaScript fra bilder eller video. Legg ved den visuelle referansen med funksjonskrav og be om redigerbar kildekode. For et eksisterende grensesnitt identifiserer du den tiltenkte endringen og relevant kode fremfor å forvente at et uforklart bilde definerer alle interaksjoner. Generert kildekode er en leveranse som skal rendres og vurderes, ikke bevis på et fungerende program.
Rom, lang kontekst og video
Utvikleren beskriver vurderinger av objektposisjoner, synsvinkler og tildekking, med todimensjonal forankring og støtte for tredimensjonal forankring. Spør hvilket forhold som er viktig, og hvilke holdepunkter som underbygger konklusjonen. Et visuelt forhold bør holdes atskilt fra 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, bilderekkefølge og kildeidentifikatorer når du ber om en hendelsesbeskrivelse. Kontekst og sampling avgjør hvilket materiale som representeres i en forespørsel; familiebeskrivelsen bør ikke bli et ubetinget løfte om perfekt gjenkalling.
Multimodal resonnering, gjenkjenning og OCR
Thinking-utgaven er relevant for STEM-spørsmål, matematiske spørsmål og logiske spørsmål som knytter visuelt kildegrunnlag til en forklaring. Legg ved hele oppgaveteksten, diagrametiketter og enheter, og be om verdiene og sammenhengene som brukes, før sluttsvaret. En tydelig leveranse kan være et avgrenset resultat, en dokumentasjonstabell eller en kort konklusjon underbygd av bildet og teksten.
Familien utvider visuell gjenkjenning til personer, produkter, landemerker, planter, dyr og mediefigurer. OCR dekker 32 språk og retter seg mot lesing under lite lys, uskarphet eller skjevhet, inkludert faguttrykk og dokumentstruktur. Bevar lesbarheten og be om felter eller sitater som kan kontrolleres. Disse bruksområdene anvender dokumenterte funksjoner; de garanterer ikke korrekt identitet, transkripsjon eller matematisk konklusjon for alle inndata.
Arkitektur
Den konkrete konfigurasjonen identifiserer en mixture-of-experts-modell for syn og språk med 48 tekstlag, 128 eksperter og åtte eksperter valgt per token. Interleaved-MRoPE fordeler posisjonsinformasjon over tid, bredde og høyde. DeepStack kombinerer visuelle trekk fra flere enkodernivåer, og samordning av tekst og tidsstempler bidrar til å forankre hendelser i tidsreferanser. Bruk denne 30B-A3B Thinking-utgaven konsekvent når du forbereder visuelle resonneringsoppgaver og sammenligner resultatene.
Forberede inndata
Familieeksemplene støtter rent tekstbaserte oppgaver, ett eller flere bilder og video. Merk visuelle inndata og bevar forholdet mellom dem. Separate pikselbudsjetter for bilder og video lar en arbeidsflyt styre detaljnivået; eksplisitte bildedimensjoner tilpasses multipler av 32. Den dokumenterte videostandarden er to bilder per sekund, med kontroller for samplingsfrekvens eller bildeantall der det støttes. Behold videometadata og unngå å endre størrelse to ganger når hjelperen allerede har endret medienes størrelse.
For en dokumentsammenligning organiserer du resultatet etter sideidentifikator. For et klipp ber du om den relevante hendelsen, intervallet og kildegrunnlaget. Sett av sekvensplass til tenkning og slutttekst, i tillegg til de visuelle tokenene.
Genereringsveiledning og grenser
Modellversjonens genereringsfil bruker som standard temperature 0.8, top_p 0.95, top_k 20 og repetisjonsstraff 1.0. Familiens separate Thinking-evalueringsoppsett bruker temperature 0.6, tilstedeværelsesstraff null, repetisjonsstraff 1.0 og en utdataramme på 40,960 tokener. Dette er ulike produsentforvalg; rammen er ikke en uavhengig fastslått absolutt maksimal utdatalengde.
Familiens utvidelsesprosedyre bruker YaRN og foreslår en faktor på to eller tre for det sammenflettede posisjonssystemet ved overgang fra 256K til omtrent 1M. Den bør ikke arve en annen families faktor på fire. Kontroller uthentede etiketter, beregninger og generert kode mot det opprinnelige kildegrunnlaget, og hold den endelige leveransen tydelig atskilt fra resonneringen. Det praktiske resultatet er en visuell konklusjon eller et kodeforslag som kan vurderes, med denne konkrete Thinking-utgaven bevart.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3-vl-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.
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 $0.00058 / 1K tokener Utdata · Utgående tokener $0.002 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 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 $0.00058 / 1K tokener Utdata · Utgående tokener $0.002 / 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-vl-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-vl-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-vl-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-vl-30b-a3b-thinking
Bruk metodestiene som vises ovenfor.
qwen/qwen3-vl-30b-a3b-thinkingQwen3-VL-30B-A3B-Thinking er Qwens mixture-of-experts-utgave for syn og språk til dypere resonnering om tekst, bilder og video. Den returnerer tekst eller kode til STEM-spørsmål, dokumenter, romlig analyse og visuelle arbeidsflyter, 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.
30B-A3B Thinking-utgaven
Qwen3-VL-30B-A3B-Thinking er den resonneringsforsterkede mixture-of-experts-utgaven av Qwen3-VL. Den tar imot tekst, bilder og video og produserer tekst, inkludert kode eller en forklart konklusjon. Hold Thinking-identiteten atskilt fra Qwen3-VL-30B-A3B-Instruct og andre familiestørrelser. Utviklerens skille mellom utgavene beskriver den tiltenkte resonneringsatferden uten å fastslå en programspesifikk hybridbryter.
Visuelle agenter og programmering
Qwen dokumenterer en visuell agentarbeidsflyt som gjenkjenner kontroller på datamaskiner eller mobiler, forstår funksjonene deres og kaller verktøy. For en grensesnittoppgave legger du ved det aktuelle skjermbildet og det tiltenkte målet, og ber deretter om den relevante kontrollen og en forklaring knyttet til synlige observasjoner. Det tilkoblede programmet utfører handlinger og returnerer resultater; modellens visuelle resonnering styrer ikke enheten selvstendig.
Familien genererer også diagraminnhold, HTML, CSS og JavaScript fra bilder eller video. Legg ved den visuelle referansen med funksjonskrav og be om redigerbar kildekode. For et eksisterende grensesnitt identifiserer du den tiltenkte endringen og relevant kode fremfor å forvente at et uforklart bilde definerer alle interaksjoner. Generert kildekode er en leveranse som skal rendres og vurderes, ikke bevis på et fungerende program.
Rom, lang kontekst og video
Utvikleren beskriver vurderinger av objektposisjoner, synsvinkler og tildekking, med todimensjonal forankring og støtte for tredimensjonal forankring. Spør hvilket forhold som er viktig, og hvilke holdepunkter som underbygger konklusjonen. Et visuelt forhold bør holdes atskilt fra 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, bilderekkefølge og kildeidentifikatorer når du ber om en hendelsesbeskrivelse. Kontekst og sampling avgjør hvilket materiale som representeres i en forespørsel; familiebeskrivelsen bør ikke bli et ubetinget løfte om perfekt gjenkalling.
Multimodal resonnering, gjenkjenning og OCR
Thinking-utgaven er relevant for STEM-spørsmål, matematiske spørsmål og logiske spørsmål som knytter visuelt kildegrunnlag til en forklaring. Legg ved hele oppgaveteksten, diagrametiketter og enheter, og be om verdiene og sammenhengene som brukes, før sluttsvaret. En tydelig leveranse kan være et avgrenset resultat, en dokumentasjonstabell eller en kort konklusjon underbygd av bildet og teksten.
Familien utvider visuell gjenkjenning til personer, produkter, landemerker, planter, dyr og mediefigurer. OCR dekker 32 språk og retter seg mot lesing under lite lys, uskarphet eller skjevhet, inkludert faguttrykk og dokumentstruktur. Bevar lesbarheten og be om felter eller sitater som kan kontrolleres. Disse bruksområdene anvender dokumenterte funksjoner; de garanterer ikke korrekt identitet, transkripsjon eller matematisk konklusjon for alle inndata.
Arkitektur
Den konkrete konfigurasjonen identifiserer en mixture-of-experts-modell for syn og språk med 48 tekstlag, 128 eksperter og åtte eksperter valgt per token. Interleaved-MRoPE fordeler posisjonsinformasjon over tid, bredde og høyde. DeepStack kombinerer visuelle trekk fra flere enkodernivåer, og samordning av tekst og tidsstempler bidrar til å forankre hendelser i tidsreferanser. Bruk denne 30B-A3B Thinking-utgaven konsekvent når du forbereder visuelle resonneringsoppgaver og sammenligner resultatene.
Forberede inndata
Familieeksemplene støtter rent tekstbaserte oppgaver, ett eller flere bilder og video. Merk visuelle inndata og bevar forholdet mellom dem. Separate pikselbudsjetter for bilder og video lar en arbeidsflyt styre detaljnivået; eksplisitte bildedimensjoner tilpasses multipler av 32. Den dokumenterte videostandarden er to bilder per sekund, med kontroller for samplingsfrekvens eller bildeantall der det støttes. Behold videometadata og unngå å endre størrelse to ganger når hjelperen allerede har endret medienes størrelse.
For en dokumentsammenligning organiserer du resultatet etter sideidentifikator. For et klipp ber du om den relevante hendelsen, intervallet og kildegrunnlaget. Sett av sekvensplass til tenkning og slutttekst, i tillegg til de visuelle tokenene.
Genereringsveiledning og grenser
Modellversjonens genereringsfil bruker som standard temperature 0.8, top_p 0.95, top_k 20 og repetisjonsstraff 1.0. Familiens separate Thinking-evalueringsoppsett bruker temperature 0.6, tilstedeværelsesstraff null, repetisjonsstraff 1.0 og en utdataramme på 40,960 tokener. Dette er ulike produsentforvalg; rammen er ikke en uavhengig fastslått absolutt maksimal utdatalengde.
Familiens utvidelsesprosedyre bruker YaRN og foreslår en faktor på to eller tre for det sammenflettede posisjonssystemet ved overgang fra 256K til omtrent 1M. Den bør ikke arve en annen families faktor på fire. Kontroller uthentede etiketter, beregninger og generert kode mot det opprinnelige kildegrunnlaget, og hold den endelige leveransen tydelig atskilt fra resonneringen. Det praktiske resultatet er en visuell konklusjon eller et kodeforslag som kan vurderes, med denne konkrete Thinking-utgaven bevart.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3-vl-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.
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 $0.00058 / 1K tokener Utdata · Utgående tokener $0.002 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 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 $0.00058 / 1K tokener Utdata · Utgående tokener $0.002 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen/qwen3-vl-30b-a3b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-vl-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-vl-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-vl-30b-a3b-thinking
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Reason about a transcribed geometry diagram\n\nUse this diagram transcription: rectangle ABCD has AB = 10 cm and BC = 6 cm; E is the midpoint of AB; segment CE is drawn. Find the area of triangle BCE. State the base and perpendicular height used, preserve the units, and give a short derivation. Do not assume any additional markings or image input.A short geometry derivation naming base BE and height BC, with the final area in square centimetres.The midpoint halves AB, and the triangle area uses one-half times the perpendicular base-height product.