8B Instruct-utgaven for syn og språk
Qwen3-VL-8B-Instruct er den tette, instruksjonsfokuserte 8B-utgaven av Qwen3-VL. Den kombinerer tekst med bilder eller video og produserer tekst, inkludert kode. Den forblir atskilt fra den resonneringsforsterkede Thinking-utgaven og fra sparsomme ekspertmodeller i samme familie. Velg den for en avgrenset visuell instruksjon, et dokumentspørsmål eller en redigerbar leveranse der resultatet kan sammenlignes med det vedlagte kildegrunnlaget.
Visuelle agenter og visuell programmering
Utvikleren beskriver gjenkjenning av grensesnittelementer på datamaskiner eller mobiler, forståelse av funksjonene deres og bruk av verktøy i en visuell agentarbeidsflyt. Legg ved et skjermbilde og et konkret mål, og spør deretter hvilke synlige kontroller som svarer til dette målet, og hvilke observasjoner som underbygger valget. Tilkoblet programvare utfører handlinger; gjenkjenning av et grensesnitt gir ikke modellen selvstendig kontroll over en enhet.
Visuell programmering omfatter å produsere diagraminnhold og HTML, CSS eller JavaScript fra bilder eller video. Legg ved layoutreferansen sammen med funksjonskrav og påkrevde redigerbare utdata. Be om kildestruktur og stiler separat når det gjør vurderingen enklere. Generert kode er en tekstleveranse; den trenger fortsatt en utviklingsarbeidsflyt for å rendres og få atferden vurdert.
Romlig persepsjon og langt materiale
Qwen dokumenterer resonnering om objektposisjoner, synsvinkler og tildekking, med todimensjonal forankring og støtte for tredimensjonal forankring. Navngi målobjektet og angi forholdet som skal undersøkes. Et resultat om relativ posisjon er en slutning fra bildet, ikke 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. Representasjon, bildesampling og den konfigurerte sekvensgrensen avgjør hvilket materiale som behandles. En stor kontekst garanterer ikke fullstendig gjenkalling av hver side eller hvert bilde. Bevar tidsinformasjonen når du ber om en hendelsesbeskrivelse fra video.
Multimodal resonnering, gjenkjenning og OCR
Familien støtter STEM- og matematikkspørsmål, årsaksanalyse og kildebaserte visuelle forklaringer. Legg ved hele oppgaveteksten sammen med et diagram og be om verdiene og sammenhengene som brukes, før konklusjonen. Gjenkjenningen dekker et bredt utvalg av personer, produkter, landemerker, planter, dyr og mediefigurer; en sannsynlig etikett bør kontrolleres når identifikasjon er viktig.
OCR dekker 32 språk og er utformet for å forbedre lesing under lite lys, uskarphet eller skjevhet, inkludert spesialisert ordforråd og struktur i lange dokumenter. Legg ved en lesbar side og be om navngitte felter, sitater eller en strukturert tabell som kan kontrolleres mot den. Tekst- og bildeforståelse kombineres, slik at et spørsmål kan knytte sammen et avsnitt, en figur og brukerens instruksjoner.
Arkitekturoppdateringer
Den publiserte tette tekstkonfigurasjonen har 36 lag. Interleaved-MRoPE representerer tid, bredde og høyde for videoresonnering. DeepStack kombinerer trekk fra flere nivåer i synsenkoderen, og samordning av tekst og tidsstempler forankrer hendelser i tidsreferanser. Disse arkitekturfunksjonene beskriver modellens representasjon; de fastslår ikke en fast svartid eller nøyaktig fysisk presisjon.
Forberede inndata
Utviklerens familieeksempler dekker rent tekstbaserte forespørsler, ett eller flere bilder og video. Merk visuelle inndata og angi forholdet mellom dem. Pikselbudsjetter for bilder og video er separate: et bildebudsjett gjelder ett bilde, mens et videobudsjett gjelder piksler på tvers av samplede bilder. Eksplisitte bildedimensjoner tilpasses multipler av 32. Den dokumenterte videostandarden er to bilder per sekund, med kontroller for frekvens eller bildeantall i støttede arbeidsflyter.
Hjelpearbeidsflyten bevarer videometadata og anbefaler å unngå dobbel størrelsesendring når mediene allerede har fått endret størrelse. For en dokumentoppgave beholder du sideidentifikatorer; for et klipp ber du om hendelsen, relevant intervall og synlige observasjoner. Disse forberedelseseksemplene anvender de dokumenterte funksjonene fremfor å garantere nøyaktig uthenting eller tidsmessig presisjon.
Genereringsveiledning og grenser
Dette konkrete kortet gir separate oppgaveforvalg. Syns- og språkoppgaver bruker temperature 0.7, top_p 0.8, top_k 20, repetisjonsstraff 1.0 og tilstedeværelsesstraff 1.5, med en utdataramme på 16,384 tokener. Tekstoppgaver bruker temperature 1.0, top_p 1.0, top_k 40, repetisjonsstraff 1.0 og tilstedeværelsesstraff 2.0, med en ramme på 32,768 tokener. Dette er budsjetter i produsentens oppsett, ikke uavhengig fastslåtte absolutte utdatagrenser eller separate modellidentiteter.
Familiens prosedyre for lang kontekst bruker YaRN, med en faktor på to eller tre foreslått når de sammenflettede posisjonene utvides fra 256K til omtrent 1M. Ikke kopier en faktor på fire fra en annen Qwen-familie. Sett av plass til svaret sammen med visuelle inndata og tekstinndata, og verifiser OCR, beregnede konklusjoner og generert kildekode mot det opprinnelige materialet. Behold den konkrete Instruct-utgaven fremfor å importere en Thinking-modellversjons genererings- eller kontrollspesifikasjon.
", "aboutText": "8B Instruct-utgaven for syn og språk\n\nQwen3-VL-8B-Instruct er den tette, instruksjonsfokuserte 8B-utgaven av Qwen3-VL. Den kombinerer tekst med bilder eller video og produserer tekst, inkludert kode. Den forblir atskilt fra den resonneringsforsterkede Thinking-utgaven og fra sparsomme ekspertmodeller i samme familie. Velg den for en avgrenset visuell instruksjon, et dokumentspørsmål eller en redigerbar leveranse der resultatet kan sammenlignes med det vedlagte kildegrunnlaget.\n\nVisuelle agenter og visuell programmering\n\nUtvikleren beskriver gjenkjenning av grensesnittelementer på datamaskiner eller mobiler, forståelse av funksjonene deres og bruk av verktøy i en visuell agentarbeidsflyt. Legg ved et skjermbilde og et konkret mål, og spør deretter hvilke synlige kontroller som svarer til dette målet, og hvilke observasjoner som underbygger valget. Tilkoblet programvare utfører handlinger; gjenkjenning av et grensesnitt gir ikke modellen selvstendig kontroll over en enhet.\n\nVisuell programmering omfatter å produsere diagraminnhold og HTML, CSS eller JavaScript fra bilder eller video. Legg ved layoutreferansen sammen med funksjonskrav og påkrevde redigerbare utdata. Be om kildestruktur og stiler separat når det gjør vurderingen enklere. Generert kode er en tekstleveranse; den trenger fortsatt en utviklingsarbeidsflyt for å rendres og få atferden vurdert.\n\nRomlig persepsjon og langt materiale\n\nQwen dokumenterer resonnering om objektposisjoner, synsvinkler og tildekking, med todimensjonal forankring og støtte for tredimensjonal forankring. Navngi målobjektet og angi forholdet som skal undersøkes. Et resultat om relativ posisjon er en slutning fra bildet, ikke 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. Representasjon, bildesampling og den konfigurerte sekvensgrensen avgjør hvilket materiale som behandles. En stor kontekst garanterer ikke fullstendig gjenkalling av hver side eller hvert bilde. Bevar tidsinformasjonen når du ber om en hendelsesbeskrivelse fra video.\n\nMultimodal resonnering, gjenkjenning og OCR\n\nFamilien støtter STEM- og matematikkspørsmål, årsaksanalyse og kildebaserte visuelle forklaringer. Legg ved hele oppgaveteksten sammen med et diagram og be om verdiene og sammenhengene som brukes, før konklusjonen. Gjenkjenningen dekker et bredt utvalg av personer, produkter, landemerker, planter, dyr og mediefigurer; en sannsynlig etikett bør kontrolleres når identifikasjon er viktig.\n\nOCR dekker 32 språk og er utformet for å forbedre lesing under lite lys, uskarphet eller skjevhet, inkludert spesialisert ordforråd og struktur i lange dokumenter. Legg ved en lesbar side og be om navngitte felter, sitater eller en strukturert tabell som kan kontrolleres mot den. Tekst- og bildeforståelse kombineres, slik at et spørsmål kan knytte sammen et avsnitt, en figur og brukerens instruksjoner.\n\nArkitekturoppdateringer\n\nDen publiserte tette tekstkonfigurasjonen har 36 lag. Interleaved-MRoPE representerer tid, bredde og høyde for videoresonnering. DeepStack kombinerer trekk fra flere nivåer i synsenkoderen, og samordning av tekst og tidsstempler forankrer hendelser i tidsreferanser. Disse arkitekturfunksjonene beskriver modellens representasjon; de fastslår ikke en fast svartid eller nøyaktig fysisk presisjon.\n\nForberede inndata\n\nUtviklerens familieeksempler dekker rent tekstbaserte forespørsler, ett eller flere bilder og video. Merk visuelle inndata og angi forholdet mellom dem. Pikselbudsjetter for bilder og video er separate: et bildebudsjett gjelder ett bilde, mens et videobudsjett gjelder piksler på tvers av samplede bilder. Eksplisitte bildedimensjoner tilpasses multipler av 32. Den dokumenterte videostandarden er to bilder per sekund, med kontroller for frekvens eller bildeantall i støttede arbeidsflyter.\n\nHjelpearbeidsflyten bevarer videometadata og anbefaler å unngå dobbel størrelsesendring når mediene allerede har fått endret størrelse. For en dokumentoppgave beholder du sideidentifikatorer; for et klipp ber du om hendelsen, relevant intervall og synlige observasjoner. Disse forberedelseseksemplene anvender de dokumenterte funksjonene fremfor å garantere nøyaktig uthenting eller tidsmessig presisjon.\n\nGenereringsveiledning og grenser\n\nDette konkrete kortet gir separate oppgaveforvalg. Syns- og språkoppgaver bruker temperature 0.7, top_p 0.8, top_k 20, repetisjonsstraff 1.0 og tilstedeværelsesstraff 1.5, med en utdataramme på 16,384 tokener. Tekstoppgaver bruker temperature 1.0, top_p 1.0, top_k 40, repetisjonsstraff 1.0 og tilstedeværelsesstraff 2.0, med en ramme på 32,768 tokener. Dette er budsjetter i produsentens oppsett, ikke uavhengig fastslåtte absolutte utdatagrenser eller separate modellidentiteter.\n\nFamiliens prosedyre for lang kontekst bruker YaRN, med en faktor på to eller tre foreslått når de sammenflettede posisjonene utvides fra 256K til omtrent 1M. Ikke kopier en faktor på fire fra en annen Qwen-familie. Sett av plass til svaret sammen med visuelle inndata og tekstinndata, og verifiser OCR, beregnede konklusjoner og generert kildekode mot det opprinnelige materialet. Behold den konkrete Instruct-utgaven fremfor å importere en Thinking-modellversjons genererings- eller kontrollspesifikasjon.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Read a text diagram relationship\n\nUse this text rendering of diagram D4: source A feeds filter B; B feeds tanks C and D; only D connects to drain E. List the directed path from A to E and name the tank on that path. Do not add physical dimensions or connections absent from the rendering.A labeled directed path and the tank identifier supported by D4.The path must follow the stated arrows and must not add a C-to-E connection.qwen/qwen3-vl-8b-instructQwen3-VL-8B-Instruct er Qwens tette, instruksjonsfokuserte syns- og språkmodell for tekst, bilder og video, med tekst eller kode som utdata. Den støtter dokumentlesing, visuell programmering, romlige spørsmål og videoanalyse, 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.
8B Instruct-utgaven for syn og språk
Qwen3-VL-8B-Instruct er den tette, instruksjonsfokuserte 8B-utgaven av Qwen3-VL. Den kombinerer tekst med bilder eller video og produserer tekst, inkludert kode. Den forblir atskilt fra den resonneringsforsterkede Thinking-utgaven og fra sparsomme ekspertmodeller i samme familie. Velg den for en avgrenset visuell instruksjon, et dokumentspørsmål eller en redigerbar leveranse der resultatet kan sammenlignes med det vedlagte kildegrunnlaget.
Visuelle agenter og visuell programmering
Utvikleren beskriver gjenkjenning av grensesnittelementer på datamaskiner eller mobiler, forståelse av funksjonene deres og bruk av verktøy i en visuell agentarbeidsflyt. Legg ved et skjermbilde og et konkret mål, og spør deretter hvilke synlige kontroller som svarer til dette målet, og hvilke observasjoner som underbygger valget. Tilkoblet programvare utfører handlinger; gjenkjenning av et grensesnitt gir ikke modellen selvstendig kontroll over en enhet.
Visuell programmering omfatter å produsere diagraminnhold og HTML, CSS eller JavaScript fra bilder eller video. Legg ved layoutreferansen sammen med funksjonskrav og påkrevde redigerbare utdata. Be om kildestruktur og stiler separat når det gjør vurderingen enklere. Generert kode er en tekstleveranse; den trenger fortsatt en utviklingsarbeidsflyt for å rendres og få atferden vurdert.
Romlig persepsjon og langt materiale
Qwen dokumenterer resonnering om objektposisjoner, synsvinkler og tildekking, med todimensjonal forankring og støtte for tredimensjonal forankring. Navngi målobjektet og angi forholdet som skal undersøkes. Et resultat om relativ posisjon er en slutning fra bildet, ikke 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. Representasjon, bildesampling og den konfigurerte sekvensgrensen avgjør hvilket materiale som behandles. En stor kontekst garanterer ikke fullstendig gjenkalling av hver side eller hvert bilde. Bevar tidsinformasjonen når du ber om en hendelsesbeskrivelse fra video.
Multimodal resonnering, gjenkjenning og OCR
Familien støtter STEM- og matematikkspørsmål, årsaksanalyse og kildebaserte visuelle forklaringer. Legg ved hele oppgaveteksten sammen med et diagram og be om verdiene og sammenhengene som brukes, før konklusjonen. Gjenkjenningen dekker et bredt utvalg av personer, produkter, landemerker, planter, dyr og mediefigurer; en sannsynlig etikett bør kontrolleres når identifikasjon er viktig.
OCR dekker 32 språk og er utformet for å forbedre lesing under lite lys, uskarphet eller skjevhet, inkludert spesialisert ordforråd og struktur i lange dokumenter. Legg ved en lesbar side og be om navngitte felter, sitater eller en strukturert tabell som kan kontrolleres mot den. Tekst- og bildeforståelse kombineres, slik at et spørsmål kan knytte sammen et avsnitt, en figur og brukerens instruksjoner.
Arkitekturoppdateringer
Den publiserte tette tekstkonfigurasjonen har 36 lag. Interleaved-MRoPE representerer tid, bredde og høyde for videoresonnering. DeepStack kombinerer trekk fra flere nivåer i synsenkoderen, og samordning av tekst og tidsstempler forankrer hendelser i tidsreferanser. Disse arkitekturfunksjonene beskriver modellens representasjon; de fastslår ikke en fast svartid eller nøyaktig fysisk presisjon.
Forberede inndata
Utviklerens familieeksempler dekker rent tekstbaserte forespørsler, ett eller flere bilder og video. Merk visuelle inndata og angi forholdet mellom dem. Pikselbudsjetter for bilder og video er separate: et bildebudsjett gjelder ett bilde, mens et videobudsjett gjelder piksler på tvers av samplede bilder. Eksplisitte bildedimensjoner tilpasses multipler av 32. Den dokumenterte videostandarden er to bilder per sekund, med kontroller for frekvens eller bildeantall i støttede arbeidsflyter.
Hjelpearbeidsflyten bevarer videometadata og anbefaler å unngå dobbel størrelsesendring når mediene allerede har fått endret størrelse. For en dokumentoppgave beholder du sideidentifikatorer; for et klipp ber du om hendelsen, relevant intervall og synlige observasjoner. Disse forberedelseseksemplene anvender de dokumenterte funksjonene fremfor å garantere nøyaktig uthenting eller tidsmessig presisjon.
Genereringsveiledning og grenser
Dette konkrete kortet gir separate oppgaveforvalg. Syns- og språkoppgaver bruker temperature 0.7, top_p 0.8, top_k 20, repetisjonsstraff 1.0 og tilstedeværelsesstraff 1.5, med en utdataramme på 16,384 tokener. Tekstoppgaver bruker temperature 1.0, top_p 1.0, top_k 40, repetisjonsstraff 1.0 og tilstedeværelsesstraff 2.0, med en ramme på 32,768 tokener. Dette er budsjetter i produsentens oppsett, ikke uavhengig fastslåtte absolutte utdatagrenser eller separate modellidentiteter.
Familiens prosedyre for lang kontekst bruker YaRN, med en faktor på to eller tre foreslått når de sammenflettede posisjonene utvides fra 256K til omtrent 1M. Ikke kopier en faktor på fire fra en annen Qwen-familie. Sett av plass til svaret sammen med visuelle inndata og tekstinndata, og verifiser OCR, beregnede konklusjoner og generert kildekode mot det opprinnelige materialet. Behold den konkrete Instruct-utgaven fremfor å importere en Thinking-modellversjons genererings- eller kontrollspesifikasjon.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3-vl-8b-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 $0.0005 / 1K tokener Utdata · Utgående tokener $0.0015 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00024 / 1K tokener Inndata · Skriving til hurtigbuffer — / 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 $0.0005 / 1K tokener Utdata · Utgående tokener $0.0015 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00024 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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-8b-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-8b-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-8b-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-8b-instruct
Bruk metodestiene som vises ovenfor.
qwen/qwen3-vl-8b-instructQwen3-VL-8B-Instruct er Qwens tette, instruksjonsfokuserte syns- og språkmodell for tekst, bilder og video, med tekst eller kode som utdata. Den støtter dokumentlesing, visuell programmering, romlige spørsmål og videoanalyse, 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.
8B Instruct-utgaven for syn og språk
Qwen3-VL-8B-Instruct er den tette, instruksjonsfokuserte 8B-utgaven av Qwen3-VL. Den kombinerer tekst med bilder eller video og produserer tekst, inkludert kode. Den forblir atskilt fra den resonneringsforsterkede Thinking-utgaven og fra sparsomme ekspertmodeller i samme familie. Velg den for en avgrenset visuell instruksjon, et dokumentspørsmål eller en redigerbar leveranse der resultatet kan sammenlignes med det vedlagte kildegrunnlaget.
Visuelle agenter og visuell programmering
Utvikleren beskriver gjenkjenning av grensesnittelementer på datamaskiner eller mobiler, forståelse av funksjonene deres og bruk av verktøy i en visuell agentarbeidsflyt. Legg ved et skjermbilde og et konkret mål, og spør deretter hvilke synlige kontroller som svarer til dette målet, og hvilke observasjoner som underbygger valget. Tilkoblet programvare utfører handlinger; gjenkjenning av et grensesnitt gir ikke modellen selvstendig kontroll over en enhet.
Visuell programmering omfatter å produsere diagraminnhold og HTML, CSS eller JavaScript fra bilder eller video. Legg ved layoutreferansen sammen med funksjonskrav og påkrevde redigerbare utdata. Be om kildestruktur og stiler separat når det gjør vurderingen enklere. Generert kode er en tekstleveranse; den trenger fortsatt en utviklingsarbeidsflyt for å rendres og få atferden vurdert.
Romlig persepsjon og langt materiale
Qwen dokumenterer resonnering om objektposisjoner, synsvinkler og tildekking, med todimensjonal forankring og støtte for tredimensjonal forankring. Navngi målobjektet og angi forholdet som skal undersøkes. Et resultat om relativ posisjon er en slutning fra bildet, ikke 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. Representasjon, bildesampling og den konfigurerte sekvensgrensen avgjør hvilket materiale som behandles. En stor kontekst garanterer ikke fullstendig gjenkalling av hver side eller hvert bilde. Bevar tidsinformasjonen når du ber om en hendelsesbeskrivelse fra video.
Multimodal resonnering, gjenkjenning og OCR
Familien støtter STEM- og matematikkspørsmål, årsaksanalyse og kildebaserte visuelle forklaringer. Legg ved hele oppgaveteksten sammen med et diagram og be om verdiene og sammenhengene som brukes, før konklusjonen. Gjenkjenningen dekker et bredt utvalg av personer, produkter, landemerker, planter, dyr og mediefigurer; en sannsynlig etikett bør kontrolleres når identifikasjon er viktig.
OCR dekker 32 språk og er utformet for å forbedre lesing under lite lys, uskarphet eller skjevhet, inkludert spesialisert ordforråd og struktur i lange dokumenter. Legg ved en lesbar side og be om navngitte felter, sitater eller en strukturert tabell som kan kontrolleres mot den. Tekst- og bildeforståelse kombineres, slik at et spørsmål kan knytte sammen et avsnitt, en figur og brukerens instruksjoner.
Arkitekturoppdateringer
Den publiserte tette tekstkonfigurasjonen har 36 lag. Interleaved-MRoPE representerer tid, bredde og høyde for videoresonnering. DeepStack kombinerer trekk fra flere nivåer i synsenkoderen, og samordning av tekst og tidsstempler forankrer hendelser i tidsreferanser. Disse arkitekturfunksjonene beskriver modellens representasjon; de fastslår ikke en fast svartid eller nøyaktig fysisk presisjon.
Forberede inndata
Utviklerens familieeksempler dekker rent tekstbaserte forespørsler, ett eller flere bilder og video. Merk visuelle inndata og angi forholdet mellom dem. Pikselbudsjetter for bilder og video er separate: et bildebudsjett gjelder ett bilde, mens et videobudsjett gjelder piksler på tvers av samplede bilder. Eksplisitte bildedimensjoner tilpasses multipler av 32. Den dokumenterte videostandarden er to bilder per sekund, med kontroller for frekvens eller bildeantall i støttede arbeidsflyter.
Hjelpearbeidsflyten bevarer videometadata og anbefaler å unngå dobbel størrelsesendring når mediene allerede har fått endret størrelse. For en dokumentoppgave beholder du sideidentifikatorer; for et klipp ber du om hendelsen, relevant intervall og synlige observasjoner. Disse forberedelseseksemplene anvender de dokumenterte funksjonene fremfor å garantere nøyaktig uthenting eller tidsmessig presisjon.
Genereringsveiledning og grenser
Dette konkrete kortet gir separate oppgaveforvalg. Syns- og språkoppgaver bruker temperature 0.7, top_p 0.8, top_k 20, repetisjonsstraff 1.0 og tilstedeværelsesstraff 1.5, med en utdataramme på 16,384 tokener. Tekstoppgaver bruker temperature 1.0, top_p 1.0, top_k 40, repetisjonsstraff 1.0 og tilstedeværelsesstraff 2.0, med en ramme på 32,768 tokener. Dette er budsjetter i produsentens oppsett, ikke uavhengig fastslåtte absolutte utdatagrenser eller separate modellidentiteter.
Familiens prosedyre for lang kontekst bruker YaRN, med en faktor på to eller tre foreslått når de sammenflettede posisjonene utvides fra 256K til omtrent 1M. Ikke kopier en faktor på fire fra en annen Qwen-familie. Sett av plass til svaret sammen med visuelle inndata og tekstinndata, og verifiser OCR, beregnede konklusjoner og generert kildekode mot det opprinnelige materialet. Behold den konkrete Instruct-utgaven fremfor å importere en Thinking-modellversjons genererings- eller kontrollspesifikasjon.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3-vl-8b-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 $0.0005 / 1K tokener Utdata · Utgående tokener $0.0015 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00024 / 1K tokener Inndata · Skriving til hurtigbuffer — / 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 $0.0005 / 1K tokener Utdata · Utgående tokener $0.0015 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00024 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "qwen/qwen3-vl-8b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-8b-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-8b-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-8b-instruct
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Read a text diagram relationship\n\nUse this text rendering of diagram D4: source A feeds filter B; B feeds tanks C and D; only D connects to drain E. List the directed path from A to E and name the tank on that path. Do not add physical dimensions or connections absent from the rendering.A labeled directed path and the tank identifier supported by D4.The path must follow the stated arrows and must not add a C-to-E connection.