Qwen3-VL-8B-Thinking er den resonneringsfokuserte, tette 8B-utgaven i Alibabas Qwen3-VL-familie. Den kombinerer tekst, bilder og video i en felles oppgave og genererer tekst. Qwen utgir Thinking- og Instruct-utgaver separat; dette kortet gjelder den navngitte Thinking-modellen, hvis formål blant annet er å analysere visuelt kildegrunnlag før den produserer et svar. Rent tekstbasert arbeid inngår også i modellens språkfunksjonalitet.
Produsenten presenterer visuelle agenter først: modellen kan gjenkjenne grensesnittelementer på datamaskiner eller mobiler, tolke funksjonene deres og resonnere om neste interaksjon. I et program gir skjermbilder den aktuelle tilstanden, og verktøy utfører de valgte handlingene. En nyttig oppgavebeskrivelse gir brukerens mål, det synlige skjermbildet og tillatte handlinger, og ber deretter om neste steg og elementet som begrunner det. Den genererte tolkningen er atskilt fra en handling utført av programmet rundt modellen.
Visuell programmering knytter referansebilder eller video til tekstbasert kode. Qwen dokumenterer Draw.io-diagrammer og HTML, CSS og JavaScript som eksempler på utdata. Legg ved et skjermbilde eller en skisse sammen med påkrevd atferd, innhold og mållayout; be om en redigerbar kode- eller diagramleveranse. For romlig arbeid beskriver familien objektposisjon, synsvinkel og tildekking, med 2D-forankring og 3D-forankring. Angi koordinatkonvensjonen hvis du trenger posisjoner, slik at en beskrevet posisjon og en forespurt boks bruker samme referanse.
Den opprinnelige konteksten er på 256K tokener for tekst og sammenflettet visuelt materiale. Modellkortet beskriver også utvidelse til én million tokener, som er en separat konfigurert utvidelse fremfor den opprinnelige kontekstspesifikasjonen. Bruksområder med lang kontekst omfatter kryssreferering mellom dokumentsider og lokalisering av hendelser i video. Bevar siderekkefølge og videotidsstempler når du forbereder inndataene, og be svaret identifisere siden eller tidspunktet som brukes for hver konklusjon.
Multimodal resonnering dekker matematiske og vitenskapelige oppgaver som krever både det synlige materialet og det skriftlige spørsmålet. Familien støtter også bred visuell gjenkjenning av objekter, produkter, landemerker, planter og dyr. OCR-dekningen omfatter 32 språk og inkluderer krevende bilder med lite lys, uskarphet eller skjevhet, sammen med tolking av dokumentstruktur. For en skannet oppgave ber du først om en transkripsjon og deretter en løsning; dette gjør et feillest tegn eller en feillest etikett synlig før det endrer resonneringen.
Tre arkitekturoppdateringer støtter dette visuelle og tidsrelaterte arbeidet. Interleaved-MRoPE fordeler posisjonsinformasjon over tid, bredde og høyde; DeepStack fører visuelle trekk fra flere nivåer inn i språkmodellen; eksplisitte teksttidsstempler representerer tidsposisjonen til grupper av videobilder. Deres praktiske betydning er å bevare romlige detaljer og knytte en hendelsesbeskrivelse til et tidspunkt i kilden. De gjør ikke en liten eller uleselig kildedetalj til garantert gjenkjenning.
Det konkrete Thinking-modellkortet gir separate genereringsanbefalinger for visuelle oppgaver og tekstoppgaver. Begge bruker sampling med temperature 1.0, top-p 0.95 og top-k 20; det visuelle eksemplet bruker tilstedeværelsesstraff 0.0, mens teksteksemplet bruker 1.5. Eksempelinnstillingene for utdatalengde er 40,960 for visuelt arbeid og 32,768 for tekst, med 81,920 foreslått for utvalgte krevende tekstevalueringer. Dette er justeringsanbefalinger, ikke en universell garanti for maksimal utdatalengde eller parametere som en omkringliggende tjeneste nødvendigvis eksponerer.
For en praktisk dokumentoppgave legger du ved sidebilder i riktig rekkefølge og spør: «Hent ut avsnittsoverskriftene, forklar sammenhengen mellom diagrammet og den tilstøtende teksten, og knytt en sidereferanse til hvert funn.» For video definerer du hendelsen du vil lokalisere, og ber om tidsstempelet samt en kort visuell forklaring. For et visuelt resonneringsspørsmål angir du den påkrevde sluttleveransen og forutsetningene som kan brukes. Utdataene er fortsatt en tekstforklaring, uthentet innhold, kode eller et foreslått verktøysteg; denne utgavens visuelle inndata er ikke en arbeidsflyt for video- eller talegenerering.
", "aboutText": "Qwen3-VL-8B-Thinking er den resonneringsfokuserte, tette 8B-utgaven i Alibabas Qwen3-VL-familie. Den kombinerer tekst, bilder og video i en felles oppgave og genererer tekst. Qwen utgir Thinking- og Instruct-utgaver separat; dette kortet gjelder den navngitte Thinking-modellen, hvis formål blant annet er å analysere visuelt kildegrunnlag før den produserer et svar. Rent tekstbasert arbeid inngår også i modellens språkfunksjonalitet.\n\nProdusenten presenterer visuelle agenter først: modellen kan gjenkjenne grensesnittelementer på datamaskiner eller mobiler, tolke funksjonene deres og resonnere om neste interaksjon. I et program gir skjermbilder den aktuelle tilstanden, og verktøy utfører de valgte handlingene. En nyttig oppgavebeskrivelse gir brukerens mål, det synlige skjermbildet og tillatte handlinger, og ber deretter om neste steg og elementet som begrunner det. Den genererte tolkningen er atskilt fra en handling utført av programmet rundt modellen.\n\nVisuell programmering knytter referansebilder eller video til tekstbasert kode. Qwen dokumenterer Draw.io-diagrammer og HTML, CSS og JavaScript som eksempler på utdata. Legg ved et skjermbilde eller en skisse sammen med påkrevd atferd, innhold og mållayout; be om en redigerbar kode- eller diagramleveranse. For romlig arbeid beskriver familien objektposisjon, synsvinkel og tildekking, med 2D-forankring og 3D-forankring. Angi koordinatkonvensjonen hvis du trenger posisjoner, slik at en beskrevet posisjon og en forespurt boks bruker samme referanse.\n\nDen opprinnelige konteksten er på 256K tokener for tekst og sammenflettet visuelt materiale. Modellkortet beskriver også utvidelse til én million tokener, som er en separat konfigurert utvidelse fremfor den opprinnelige kontekstspesifikasjonen. Bruksområder med lang kontekst omfatter kryssreferering mellom dokumentsider og lokalisering av hendelser i video. Bevar siderekkefølge og videotidsstempler når du forbereder inndataene, og be svaret identifisere siden eller tidspunktet som brukes for hver konklusjon.\n\nMultimodal resonnering dekker matematiske og vitenskapelige oppgaver som krever både det synlige materialet og det skriftlige spørsmålet. Familien støtter også bred visuell gjenkjenning av objekter, produkter, landemerker, planter og dyr. OCR-dekningen omfatter 32 språk og inkluderer krevende bilder med lite lys, uskarphet eller skjevhet, sammen med tolking av dokumentstruktur. For en skannet oppgave ber du først om en transkripsjon og deretter en løsning; dette gjør et feillest tegn eller en feillest etikett synlig før det endrer resonneringen.\n\nTre arkitekturoppdateringer støtter dette visuelle og tidsrelaterte arbeidet. Interleaved-MRoPE fordeler posisjonsinformasjon over tid, bredde og høyde; DeepStack fører visuelle trekk fra flere nivåer inn i språkmodellen; eksplisitte teksttidsstempler representerer tidsposisjonen til grupper av videobilder. Deres praktiske betydning er å bevare romlige detaljer og knytte en hendelsesbeskrivelse til et tidspunkt i kilden. De gjør ikke en liten eller uleselig kildedetalj til garantert gjenkjenning.\n\nDet konkrete Thinking-modellkortet gir separate genereringsanbefalinger for visuelle oppgaver og tekstoppgaver. Begge bruker sampling med temperature 1.0, top-p 0.95 og top-k 20; det visuelle eksemplet bruker tilstedeværelsesstraff 0.0, mens teksteksemplet bruker 1.5. Eksempelinnstillingene for utdatalengde er 40,960 for visuelt arbeid og 32,768 for tekst, med 81,920 foreslått for utvalgte krevende tekstevalueringer. Dette er justeringsanbefalinger, ikke en universell garanti for maksimal utdatalengde eller parametere som en omkringliggende tjeneste nødvendigvis eksponerer.\n\nFor en praktisk dokumentoppgave legger du ved sidebilder i riktig rekkefølge og spør: «Hent ut avsnittsoverskriftene, forklar sammenhengen mellom diagrammet og den tilstøtende teksten, og knytt en sidereferanse til hvert funn.» For video definerer du hendelsen du vil lokalisere, og ber om tidsstempelet samt en kort visuell forklaring. For et visuelt resonneringsspørsmål angir du den påkrevde sluttleveransen og forutsetningene som kan brukes. Utdataene er fortsatt en tekstforklaring, uthentet innhold, kode eller et foreslått verktøysteg; denne utgavens visuelle inndata er ikke en arbeidsflyt for video- eller talegenerering.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Reason about a written interface layout\n\nUse this textual layout description: a dialog contains a title at the top, a long message in the middle and Cancel/Confirm buttons at the bottom. On a short screen, only the message area should scroll; both buttons must stay visible. Propose HTML and CSS structure and explain the height constraints. Do not assume an image was supplied.An editable HTML/CSS proposal and a short explanation of which region scrolls.Check the proposed structure limits message overflow while keeping both actions outside that scroll area.Qwen/Qwen3-VL-8B-ThinkingQwen3-VL-8B-Thinking er Qwens resonneringsfokuserte 8B-utgave for syn og språk. Den kombinerer tekst, bilder og video til visuell problemløsning, dokumenttolking, romlig analyse og kodegenerering fra visuelle referanser.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3-VL-8B-Thinking er den resonneringsfokuserte, tette 8B-utgaven i Alibabas Qwen3-VL-familie. Den kombinerer tekst, bilder og video i en felles oppgave og genererer tekst. Qwen utgir Thinking- og Instruct-utgaver separat; dette kortet gjelder den navngitte Thinking-modellen, hvis formål blant annet er å analysere visuelt kildegrunnlag før den produserer et svar. Rent tekstbasert arbeid inngår også i modellens språkfunksjonalitet.
Produsenten presenterer visuelle agenter først: modellen kan gjenkjenne grensesnittelementer på datamaskiner eller mobiler, tolke funksjonene deres og resonnere om neste interaksjon. I et program gir skjermbilder den aktuelle tilstanden, og verktøy utfører de valgte handlingene. En nyttig oppgavebeskrivelse gir brukerens mål, det synlige skjermbildet og tillatte handlinger, og ber deretter om neste steg og elementet som begrunner det. Den genererte tolkningen er atskilt fra en handling utført av programmet rundt modellen.
Visuell programmering knytter referansebilder eller video til tekstbasert kode. Qwen dokumenterer Draw.io-diagrammer og HTML, CSS og JavaScript som eksempler på utdata. Legg ved et skjermbilde eller en skisse sammen med påkrevd atferd, innhold og mållayout; be om en redigerbar kode- eller diagramleveranse. For romlig arbeid beskriver familien objektposisjon, synsvinkel og tildekking, med 2D-forankring og 3D-forankring. Angi koordinatkonvensjonen hvis du trenger posisjoner, slik at en beskrevet posisjon og en forespurt boks bruker samme referanse.
Den opprinnelige konteksten er på 256K tokener for tekst og sammenflettet visuelt materiale. Modellkortet beskriver også utvidelse til én million tokener, som er en separat konfigurert utvidelse fremfor den opprinnelige kontekstspesifikasjonen. Bruksområder med lang kontekst omfatter kryssreferering mellom dokumentsider og lokalisering av hendelser i video. Bevar siderekkefølge og videotidsstempler når du forbereder inndataene, og be svaret identifisere siden eller tidspunktet som brukes for hver konklusjon.
Multimodal resonnering dekker matematiske og vitenskapelige oppgaver som krever både det synlige materialet og det skriftlige spørsmålet. Familien støtter også bred visuell gjenkjenning av objekter, produkter, landemerker, planter og dyr. OCR-dekningen omfatter 32 språk og inkluderer krevende bilder med lite lys, uskarphet eller skjevhet, sammen med tolking av dokumentstruktur. For en skannet oppgave ber du først om en transkripsjon og deretter en løsning; dette gjør et feillest tegn eller en feillest etikett synlig før det endrer resonneringen.
Tre arkitekturoppdateringer støtter dette visuelle og tidsrelaterte arbeidet. Interleaved-MRoPE fordeler posisjonsinformasjon over tid, bredde og høyde; DeepStack fører visuelle trekk fra flere nivåer inn i språkmodellen; eksplisitte teksttidsstempler representerer tidsposisjonen til grupper av videobilder. Deres praktiske betydning er å bevare romlige detaljer og knytte en hendelsesbeskrivelse til et tidspunkt i kilden. De gjør ikke en liten eller uleselig kildedetalj til garantert gjenkjenning.
Det konkrete Thinking-modellkortet gir separate genereringsanbefalinger for visuelle oppgaver og tekstoppgaver. Begge bruker sampling med temperature 1.0, top-p 0.95 og top-k 20; det visuelle eksemplet bruker tilstedeværelsesstraff 0.0, mens teksteksemplet bruker 1.5. Eksempelinnstillingene for utdatalengde er 40,960 for visuelt arbeid og 32,768 for tekst, med 81,920 foreslått for utvalgte krevende tekstevalueringer. Dette er justeringsanbefalinger, ikke en universell garanti for maksimal utdatalengde eller parametere som en omkringliggende tjeneste nødvendigvis eksponerer.
For en praktisk dokumentoppgave legger du ved sidebilder i riktig rekkefølge og spør: «Hent ut avsnittsoverskriftene, forklar sammenhengen mellom diagrammet og den tilstøtende teksten, og knytt en sidereferanse til hvert funn.» For video definerer du hendelsen du vil lokalisere, og ber om tidsstempelet samt en kort visuell forklaring. For et visuelt resonneringsspørsmål angir du den påkrevde sluttleveransen og forutsetningene som kan brukes. Utdataene er fortsatt en tekstforklaring, uthentet innhold, kode eller et foreslått verktøysteg; denne utgavens visuelle inndata er ikke en arbeidsflyt for video- eller talegenerering.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser Qwen/Qwen3-VL-8B-Thinking | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.000144 / 1K tokener Utdata · Utgående tokener $0.00143 / 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-8B-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-8B-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-8B-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-8B-Thinking
Bruk metodestiene som vises ovenfor.
Qwen/Qwen3-VL-8B-ThinkingQwen3-VL-8B-Thinking er Qwens resonneringsfokuserte 8B-utgave for syn og språk. Den kombinerer tekst, bilder og video til visuell problemløsning, dokumenttolking, romlig analyse og kodegenerering fra visuelle referanser.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3-VL-8B-Thinking er den resonneringsfokuserte, tette 8B-utgaven i Alibabas Qwen3-VL-familie. Den kombinerer tekst, bilder og video i en felles oppgave og genererer tekst. Qwen utgir Thinking- og Instruct-utgaver separat; dette kortet gjelder den navngitte Thinking-modellen, hvis formål blant annet er å analysere visuelt kildegrunnlag før den produserer et svar. Rent tekstbasert arbeid inngår også i modellens språkfunksjonalitet.
Produsenten presenterer visuelle agenter først: modellen kan gjenkjenne grensesnittelementer på datamaskiner eller mobiler, tolke funksjonene deres og resonnere om neste interaksjon. I et program gir skjermbilder den aktuelle tilstanden, og verktøy utfører de valgte handlingene. En nyttig oppgavebeskrivelse gir brukerens mål, det synlige skjermbildet og tillatte handlinger, og ber deretter om neste steg og elementet som begrunner det. Den genererte tolkningen er atskilt fra en handling utført av programmet rundt modellen.
Visuell programmering knytter referansebilder eller video til tekstbasert kode. Qwen dokumenterer Draw.io-diagrammer og HTML, CSS og JavaScript som eksempler på utdata. Legg ved et skjermbilde eller en skisse sammen med påkrevd atferd, innhold og mållayout; be om en redigerbar kode- eller diagramleveranse. For romlig arbeid beskriver familien objektposisjon, synsvinkel og tildekking, med 2D-forankring og 3D-forankring. Angi koordinatkonvensjonen hvis du trenger posisjoner, slik at en beskrevet posisjon og en forespurt boks bruker samme referanse.
Den opprinnelige konteksten er på 256K tokener for tekst og sammenflettet visuelt materiale. Modellkortet beskriver også utvidelse til én million tokener, som er en separat konfigurert utvidelse fremfor den opprinnelige kontekstspesifikasjonen. Bruksområder med lang kontekst omfatter kryssreferering mellom dokumentsider og lokalisering av hendelser i video. Bevar siderekkefølge og videotidsstempler når du forbereder inndataene, og be svaret identifisere siden eller tidspunktet som brukes for hver konklusjon.
Multimodal resonnering dekker matematiske og vitenskapelige oppgaver som krever både det synlige materialet og det skriftlige spørsmålet. Familien støtter også bred visuell gjenkjenning av objekter, produkter, landemerker, planter og dyr. OCR-dekningen omfatter 32 språk og inkluderer krevende bilder med lite lys, uskarphet eller skjevhet, sammen med tolking av dokumentstruktur. For en skannet oppgave ber du først om en transkripsjon og deretter en løsning; dette gjør et feillest tegn eller en feillest etikett synlig før det endrer resonneringen.
Tre arkitekturoppdateringer støtter dette visuelle og tidsrelaterte arbeidet. Interleaved-MRoPE fordeler posisjonsinformasjon over tid, bredde og høyde; DeepStack fører visuelle trekk fra flere nivåer inn i språkmodellen; eksplisitte teksttidsstempler representerer tidsposisjonen til grupper av videobilder. Deres praktiske betydning er å bevare romlige detaljer og knytte en hendelsesbeskrivelse til et tidspunkt i kilden. De gjør ikke en liten eller uleselig kildedetalj til garantert gjenkjenning.
Det konkrete Thinking-modellkortet gir separate genereringsanbefalinger for visuelle oppgaver og tekstoppgaver. Begge bruker sampling med temperature 1.0, top-p 0.95 og top-k 20; det visuelle eksemplet bruker tilstedeværelsesstraff 0.0, mens teksteksemplet bruker 1.5. Eksempelinnstillingene for utdatalengde er 40,960 for visuelt arbeid og 32,768 for tekst, med 81,920 foreslått for utvalgte krevende tekstevalueringer. Dette er justeringsanbefalinger, ikke en universell garanti for maksimal utdatalengde eller parametere som en omkringliggende tjeneste nødvendigvis eksponerer.
For en praktisk dokumentoppgave legger du ved sidebilder i riktig rekkefølge og spør: «Hent ut avsnittsoverskriftene, forklar sammenhengen mellom diagrammet og den tilstøtende teksten, og knytt en sidereferanse til hvert funn.» For video definerer du hendelsen du vil lokalisere, og ber om tidsstempelet samt en kort visuell forklaring. For et visuelt resonneringsspørsmål angir du den påkrevde sluttleveransen og forutsetningene som kan brukes. Utdataene er fortsatt en tekstforklaring, uthentet innhold, kode eller et foreslått verktøysteg; denne utgavens visuelle inndata er ikke en arbeidsflyt for video- eller talegenerering.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser Qwen/Qwen3-VL-8B-Thinking | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.000144 / 1K tokener Utdata · Utgående tokener $0.00143 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "Qwen/Qwen3-VL-8B-Thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-8B-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-8B-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-8B-Thinking
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Reason about a written interface layout\n\nUse this textual layout description: a dialog contains a title at the top, a long message in the middle and Cancel/Confirm buttons at the bottom. On a short screen, only the message area should scroll; both buttons must stay visible. Propose HTML and CSS structure and explain the height constraints. Do not assume an image was supplied.An editable HTML/CSS proposal and a short explanation of which region scrolls.Check the proposed structure limits message overflow while keeping both actions outside that scroll area.