De 235B-A22B Instruct-editie
Qwen3-VL-235B-A22B-Instruct is het instructiegerichte mixture-of-experts-model binnen Qwen3-VL. Het verwerkt tekst, afbeeldingen en video en genereert tekst, waaronder code of een gevraagd documentartefact. Behoud de specifieke Instruct-editie, in plaats van er de antwoordvoorwaarden van een Thinking-checkpoint of het recept van een andere grootte aan toe te kennen. Een nuttige taak geeft het model een concrete vraag en een resultaat dat met het aangeleverde bewijs kan worden vergeleken.
Visuele agents en programmeren
De ontwikkelaar beschrijft workflows met visuele agents die interface-elementen herkennen, hun functies begrijpen en tools aanroepen voor computer- of mobiele taken. Geef een screenshot en een doel en vraag vervolgens om het relevante bedieningselement en het bewijs dat de keuze ondersteunt. De aangesloten toepassing voert acties uit en levert resultaten; een interface herkennen bestuurt op zichzelf geen toestel.
Visueel programmeren omvat diagraminhoud en HTML, CSS of JavaScript die op basis van afbeeldingen of video worden geproduceerd. Geef de lay-outreferentie, de functionele beperkingen en de vereiste bewerkbare uitvoer. Voeg voor een wijziging aan een bestaande pagina de relevante broncode en interactietoestanden toe. Vraag het artefact afzonderlijk van de uitleg, zodat een ontwikkelworkflow het kan renderen en beoordelen. Gegenereerde broncode blijft een voorstel, geen bewijs van een werkende toepassing.
Ruimtelijke waarneming en lang materiaal
Qwen documenteert oordelen over posities, gezichtspunten en occlusies, inclusief tweedimensionale grounding en ondersteuning voor driedimensionale grounding. Duid de objecten en de relatie aan die van belang zijn en vraag vervolgens welke zichtbare aanwijzingen de conclusie ondersteunen. Een uit een afbeelding afgeleide relatie mag niet als een gekalibreerde fysieke meting worden behandeld.
De native context bedraagt 262,144 tokens. De familie beschrijft boeken en urenlange video, met gebeurtenisindexering op secondenniveau en uitbreiding tot ongeveer één miljoen tokens via configuratie. Behoud timing en bronidentificaties wanneer u om een gebeurtenisverslag vraagt. Representatie en sampling bepalen welk materiaal in de aanvraag terechtkomt; een grote context garandeert niet dat alle informatie uit elke pagina of elk frame foutloos wordt teruggehaald.
Redeneren, herkenning en OCR
De familie ondersteunt visuele STEM-, wiskundige, causale en logische vragen. Geef de volledige opgave en diagramlabels en vraag het model vóór de conclusie de gebruikte waarden of relaties aan te duiden. Tekst en beeld worden gecombineerd, zodat één vraag een alinea met de bijbehorende figuur en de instructies van de gebruiker kan verbinden.
Herkenning omvat mensen, producten, herkenningspunten, planten, dieren en mediapersonages. OCR omvat 32 talen en richt zich op weinig licht, onscherpte en kanteling, inclusief specialistische woordenschat en de structuur van lange documenten. Geef leesbare pagina's en vraag om benoemde velden, citaten of een tabel die aan de hand van de afbeelding kan worden gecontroleerd. Deze toepassingen weerspiegelen de gedocumenteerde mogelijkheden, zonder exacte identificatie, transcriptie of berekening te garanderen.
Architectuurvernieuwingen
De gepubliceerde mixture-of-experts-tekstconfiguratie heeft 94 lagen, 128 experts en acht geselecteerde experts per token. Interleaved-MRoPE vertegenwoordigt tijd, breedte en hoogte voor redeneren over video. DeepStack combineert visuele kenmerken uit meerdere encoderniveaus, en tekst-timestampuitlijning verankert gebeurtenissen in tijdsreferenties. Gebruik deze 235B-A22B Instruct-editie consequent bij het voorbereiden van visuele taken en het vergelijken van de resultaten ervan.
Visuele invoer voorbereiden
De familievoorbeelden omvatten aanvragen met alleen tekst, één of meerdere afbeeldingen en video. Geef visuele invoer labels en vermeld het onderlinge verband. Pixelbudgetten voor afbeeldingen en video zijn afzonderlijk, terwijl expliciete afbeeldingsafmetingen worden uitgelijnd op veelvouden van 32. De gedocumenteerde videostandaard is twee frames per seconde, met instellingen voor frequentie of frameaantal waar ondersteund. Bewaar videometadata en vermijd dubbele schaling wanneer de helper het materiaal al heeft geschaald.
Orden voor meerdere documentpagina's het antwoord per paginalabel en vraag om ondersteunende velden of passages. Vraag bij een clip om de relevante gebeurtenis, het interval en het zichtbare bewijs. Vergelijk het teruggegeven gebeurtenisinterval en de ondersteunende details met de oorspronkelijke clip en de bijbehorende timing.
Generatierichtlijnen en beperkingen
Het generatiebestand van het checkpoint gebruikt standaard temperature 0.7, top_p 0.8, top_k 20 en repetition penalty 1.0. Het Instruct-recept van de familie gebruikt daarnaast presence penalty 1.5 en een uitvoerbudget van 32,768 tokens. Dat budget is een receptbudget van de producent, geen onafhankelijk vastgestelde harde uitvoerlimiet. De taakspecifieke budgetten van de 8B-modelkaart en de presets van de Thinking-editie blijven afzonderlijk.
De contextuitbreiding van de familie gebruikt YaRN en stelt een factor twee of drie voor bij de overgang van het interleaved positieschema van 256K naar ongeveer 1M. Reserveer antwoordruimte naast tekst en visuele representaties en controleer citaten, geëxtraheerde getallen en gegenereerde code aan de hand van de bron. Het nuttige resultaat is een concreet tekstartefact met behoud van het ondersteunende visuele bewijs en de exacte Instruct-identiteit.
", "aboutText": "De 235B-A22B Instruct-editie\n\nQwen3-VL-235B-A22B-Instruct is het instructiegerichte mixture-of-experts-model binnen Qwen3-VL. Het verwerkt tekst, afbeeldingen en video en genereert tekst, waaronder code of een gevraagd documentartefact. Behoud de specifieke Instruct-editie, in plaats van er de antwoordvoorwaarden van een Thinking-checkpoint of het recept van een andere grootte aan toe te kennen. Een nuttige taak geeft het model een concrete vraag en een resultaat dat met het aangeleverde bewijs kan worden vergeleken.\n\nVisuele agents en programmeren\n\nDe ontwikkelaar beschrijft workflows met visuele agents die interface-elementen herkennen, hun functies begrijpen en tools aanroepen voor computer- of mobiele taken. Geef een screenshot en een doel en vraag vervolgens om het relevante bedieningselement en het bewijs dat de keuze ondersteunt. De aangesloten toepassing voert acties uit en levert resultaten; een interface herkennen bestuurt op zichzelf geen toestel.\n\nVisueel programmeren omvat diagraminhoud en HTML, CSS of JavaScript die op basis van afbeeldingen of video worden geproduceerd. Geef de lay-outreferentie, de functionele beperkingen en de vereiste bewerkbare uitvoer. Voeg voor een wijziging aan een bestaande pagina de relevante broncode en interactietoestanden toe. Vraag het artefact afzonderlijk van de uitleg, zodat een ontwikkelworkflow het kan renderen en beoordelen. Gegenereerde broncode blijft een voorstel, geen bewijs van een werkende toepassing.\n\nRuimtelijke waarneming en lang materiaal\n\nQwen documenteert oordelen over posities, gezichtspunten en occlusies, inclusief tweedimensionale grounding en ondersteuning voor driedimensionale grounding. Duid de objecten en de relatie aan die van belang zijn en vraag vervolgens welke zichtbare aanwijzingen de conclusie ondersteunen. Een uit een afbeelding afgeleide relatie mag niet als een gekalibreerde fysieke meting worden behandeld.\n\nDe native context bedraagt 262,144 tokens. De familie beschrijft boeken en urenlange video, met gebeurtenisindexering op secondenniveau en uitbreiding tot ongeveer één miljoen tokens via configuratie. Behoud timing en bronidentificaties wanneer u om een gebeurtenisverslag vraagt. Representatie en sampling bepalen welk materiaal in de aanvraag terechtkomt; een grote context garandeert niet dat alle informatie uit elke pagina of elk frame foutloos wordt teruggehaald.\n\nRedeneren, herkenning en OCR\n\nDe familie ondersteunt visuele STEM-, wiskundige, causale en logische vragen. Geef de volledige opgave en diagramlabels en vraag het model vóór de conclusie de gebruikte waarden of relaties aan te duiden. Tekst en beeld worden gecombineerd, zodat één vraag een alinea met de bijbehorende figuur en de instructies van de gebruiker kan verbinden.\n\nHerkenning omvat mensen, producten, herkenningspunten, planten, dieren en mediapersonages. OCR omvat 32 talen en richt zich op weinig licht, onscherpte en kanteling, inclusief specialistische woordenschat en de structuur van lange documenten. Geef leesbare pagina's en vraag om benoemde velden, citaten of een tabel die aan de hand van de afbeelding kan worden gecontroleerd. Deze toepassingen weerspiegelen de gedocumenteerde mogelijkheden, zonder exacte identificatie, transcriptie of berekening te garanderen.\n\nArchitectuurvernieuwingen\n\nDe gepubliceerde mixture-of-experts-tekstconfiguratie heeft 94 lagen, 128 experts en acht geselecteerde experts per token. Interleaved-MRoPE vertegenwoordigt tijd, breedte en hoogte voor redeneren over video. DeepStack combineert visuele kenmerken uit meerdere encoderniveaus, en tekst-timestampuitlijning verankert gebeurtenissen in tijdsreferenties. Gebruik deze 235B-A22B Instruct-editie consequent bij het voorbereiden van visuele taken en het vergelijken van de resultaten ervan.\n\nVisuele invoer voorbereiden\n\nDe familievoorbeelden omvatten aanvragen met alleen tekst, één of meerdere afbeeldingen en video. Geef visuele invoer labels en vermeld het onderlinge verband. Pixelbudgetten voor afbeeldingen en video zijn afzonderlijk, terwijl expliciete afbeeldingsafmetingen worden uitgelijnd op veelvouden van 32. De gedocumenteerde videostandaard is twee frames per seconde, met instellingen voor frequentie of frameaantal waar ondersteund. Bewaar videometadata en vermijd dubbele schaling wanneer de helper het materiaal al heeft geschaald.\n\nOrden voor meerdere documentpagina's het antwoord per paginalabel en vraag om ondersteunende velden of passages. Vraag bij een clip om de relevante gebeurtenis, het interval en het zichtbare bewijs. Vergelijk het teruggegeven gebeurtenisinterval en de ondersteunende details met de oorspronkelijke clip en de bijbehorende timing.\n\nGeneratierichtlijnen en beperkingen\n\nHet generatiebestand van het checkpoint gebruikt standaard temperature 0.7, top_p 0.8, top_k 20 en repetition penalty 1.0. Het Instruct-recept van de familie gebruikt daarnaast presence penalty 1.5 en een uitvoerbudget van 32,768 tokens. Dat budget is een receptbudget van de producent, geen onafhankelijk vastgestelde harde uitvoerlimiet. De taakspecifieke budgetten van de 8B-modelkaart en de presets van de Thinking-editie blijven afzonderlijk.\n\nDe contextuitbreiding van de familie gebruikt YaRN en stelt een factor twee of drie voor bij de overgang van het interleaved positieschema van 256K naar ongeveer 1M. Reserveer antwoordruimte naast tekst en visuele representaties en controleer citaten, geëxtraheerde getallen en gegenereerde code aan de hand van de bron. Het nuttige resultaat is een concreet tekstartefact met behoud van het ondersteunende visuele bewijs en de exacte Instruct-identiteit.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Translate a layout description to HTML\n\nCreate a semantic HTML fragment from this text layout specification: a product section contains heading "Travel mug", a paragraph "350 ml, steel", and a list of features "Sealed lid" and "Hand wash". Return editable HTML only, with no scripts or styles. Preserve exact wording and use a heading, paragraph and unordered list.One semantic HTML fragment using the requested heading, paragraph and two-item list.Inspect the element hierarchy and exact text; do not add a product image or unprovided features.qwen/qwen3-vl-235b-a22b-instructQwen3-VL-235B-A22B-Instruct is Qwen’s op instructies gerichte mixture-of-experts-editie voor tekst, afbeeldingen en video. Het geeft tekst of code terug voor visuele workflows, documenten, ruimtelijke vragen en STEM-taken, met OCR voor 32 talen en een oorspronkelijke context van 262.144 tokens.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
De 235B-A22B Instruct-editie
Qwen3-VL-235B-A22B-Instruct is het instructiegerichte mixture-of-experts-model binnen Qwen3-VL. Het verwerkt tekst, afbeeldingen en video en genereert tekst, waaronder code of een gevraagd documentartefact. Behoud de specifieke Instruct-editie, in plaats van er de antwoordvoorwaarden van een Thinking-checkpoint of het recept van een andere grootte aan toe te kennen. Een nuttige taak geeft het model een concrete vraag en een resultaat dat met het aangeleverde bewijs kan worden vergeleken.
Visuele agents en programmeren
De ontwikkelaar beschrijft workflows met visuele agents die interface-elementen herkennen, hun functies begrijpen en tools aanroepen voor computer- of mobiele taken. Geef een screenshot en een doel en vraag vervolgens om het relevante bedieningselement en het bewijs dat de keuze ondersteunt. De aangesloten toepassing voert acties uit en levert resultaten; een interface herkennen bestuurt op zichzelf geen toestel.
Visueel programmeren omvat diagraminhoud en HTML, CSS of JavaScript die op basis van afbeeldingen of video worden geproduceerd. Geef de lay-outreferentie, de functionele beperkingen en de vereiste bewerkbare uitvoer. Voeg voor een wijziging aan een bestaande pagina de relevante broncode en interactietoestanden toe. Vraag het artefact afzonderlijk van de uitleg, zodat een ontwikkelworkflow het kan renderen en beoordelen. Gegenereerde broncode blijft een voorstel, geen bewijs van een werkende toepassing.
Ruimtelijke waarneming en lang materiaal
Qwen documenteert oordelen over posities, gezichtspunten en occlusies, inclusief tweedimensionale grounding en ondersteuning voor driedimensionale grounding. Duid de objecten en de relatie aan die van belang zijn en vraag vervolgens welke zichtbare aanwijzingen de conclusie ondersteunen. Een uit een afbeelding afgeleide relatie mag niet als een gekalibreerde fysieke meting worden behandeld.
De native context bedraagt 262,144 tokens. De familie beschrijft boeken en urenlange video, met gebeurtenisindexering op secondenniveau en uitbreiding tot ongeveer één miljoen tokens via configuratie. Behoud timing en bronidentificaties wanneer u om een gebeurtenisverslag vraagt. Representatie en sampling bepalen welk materiaal in de aanvraag terechtkomt; een grote context garandeert niet dat alle informatie uit elke pagina of elk frame foutloos wordt teruggehaald.
Redeneren, herkenning en OCR
De familie ondersteunt visuele STEM-, wiskundige, causale en logische vragen. Geef de volledige opgave en diagramlabels en vraag het model vóór de conclusie de gebruikte waarden of relaties aan te duiden. Tekst en beeld worden gecombineerd, zodat één vraag een alinea met de bijbehorende figuur en de instructies van de gebruiker kan verbinden.
Herkenning omvat mensen, producten, herkenningspunten, planten, dieren en mediapersonages. OCR omvat 32 talen en richt zich op weinig licht, onscherpte en kanteling, inclusief specialistische woordenschat en de structuur van lange documenten. Geef leesbare pagina's en vraag om benoemde velden, citaten of een tabel die aan de hand van de afbeelding kan worden gecontroleerd. Deze toepassingen weerspiegelen de gedocumenteerde mogelijkheden, zonder exacte identificatie, transcriptie of berekening te garanderen.
Architectuurvernieuwingen
De gepubliceerde mixture-of-experts-tekstconfiguratie heeft 94 lagen, 128 experts en acht geselecteerde experts per token. Interleaved-MRoPE vertegenwoordigt tijd, breedte en hoogte voor redeneren over video. DeepStack combineert visuele kenmerken uit meerdere encoderniveaus, en tekst-timestampuitlijning verankert gebeurtenissen in tijdsreferenties. Gebruik deze 235B-A22B Instruct-editie consequent bij het voorbereiden van visuele taken en het vergelijken van de resultaten ervan.
Visuele invoer voorbereiden
De familievoorbeelden omvatten aanvragen met alleen tekst, één of meerdere afbeeldingen en video. Geef visuele invoer labels en vermeld het onderlinge verband. Pixelbudgetten voor afbeeldingen en video zijn afzonderlijk, terwijl expliciete afbeeldingsafmetingen worden uitgelijnd op veelvouden van 32. De gedocumenteerde videostandaard is twee frames per seconde, met instellingen voor frequentie of frameaantal waar ondersteund. Bewaar videometadata en vermijd dubbele schaling wanneer de helper het materiaal al heeft geschaald.
Orden voor meerdere documentpagina's het antwoord per paginalabel en vraag om ondersteunende velden of passages. Vraag bij een clip om de relevante gebeurtenis, het interval en het zichtbare bewijs. Vergelijk het teruggegeven gebeurtenisinterval en de ondersteunende details met de oorspronkelijke clip en de bijbehorende timing.
Generatierichtlijnen en beperkingen
Het generatiebestand van het checkpoint gebruikt standaard temperature 0.7, top_p 0.8, top_k 20 en repetition penalty 1.0. Het Instruct-recept van de familie gebruikt daarnaast presence penalty 1.5 en een uitvoerbudget van 32,768 tokens. Dat budget is een receptbudget van de producent, geen onafhankelijk vastgestelde harde uitvoerlimiet. De taakspecifieke budgetten van de 8B-modelkaart en de presets van de Thinking-editie blijven afzonderlijk.
De contextuitbreiding van de familie gebruikt YaRN en stelt een factor twee of drie voor bij de overgang van het interleaved positieschema van 256K naar ongeveer 1M. Reserveer antwoordruimte naast tekst en visuele representaties en controleer citaten, geëxtraheerde getallen en gegenereerde code aan de hand van de bron. Het nuttige resultaat is een concreet tekstartefact met behoud van het ondersteunende visuele bewijs en de exacte Instruct-identiteit.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3-vl-235b-a22b-instruct | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.000572 / 1K tokens Uitvoer · Uitvoertokens $0.0038 / 1K tokens Invoer · Cache lezen $0.0002 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.000572 / 1K tokens Uitvoer · Uitvoertokens $0.0038 / 1K tokens Invoer · Cache lezen $0.0002 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-vl-235b-a22b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3-vl-235b-a22b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3-vl-235b-a22b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra qwen/qwen3-vl-235b-a22b-instruct
Gebruik de hierboven getoonde methodepaden.
qwen/qwen3-vl-235b-a22b-instructQwen3-VL-235B-A22B-Instruct is Qwen’s op instructies gerichte mixture-of-experts-editie voor tekst, afbeeldingen en video. Het geeft tekst of code terug voor visuele workflows, documenten, ruimtelijke vragen en STEM-taken, met OCR voor 32 talen en een oorspronkelijke context van 262.144 tokens.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
De 235B-A22B Instruct-editie
Qwen3-VL-235B-A22B-Instruct is het instructiegerichte mixture-of-experts-model binnen Qwen3-VL. Het verwerkt tekst, afbeeldingen en video en genereert tekst, waaronder code of een gevraagd documentartefact. Behoud de specifieke Instruct-editie, in plaats van er de antwoordvoorwaarden van een Thinking-checkpoint of het recept van een andere grootte aan toe te kennen. Een nuttige taak geeft het model een concrete vraag en een resultaat dat met het aangeleverde bewijs kan worden vergeleken.
Visuele agents en programmeren
De ontwikkelaar beschrijft workflows met visuele agents die interface-elementen herkennen, hun functies begrijpen en tools aanroepen voor computer- of mobiele taken. Geef een screenshot en een doel en vraag vervolgens om het relevante bedieningselement en het bewijs dat de keuze ondersteunt. De aangesloten toepassing voert acties uit en levert resultaten; een interface herkennen bestuurt op zichzelf geen toestel.
Visueel programmeren omvat diagraminhoud en HTML, CSS of JavaScript die op basis van afbeeldingen of video worden geproduceerd. Geef de lay-outreferentie, de functionele beperkingen en de vereiste bewerkbare uitvoer. Voeg voor een wijziging aan een bestaande pagina de relevante broncode en interactietoestanden toe. Vraag het artefact afzonderlijk van de uitleg, zodat een ontwikkelworkflow het kan renderen en beoordelen. Gegenereerde broncode blijft een voorstel, geen bewijs van een werkende toepassing.
Ruimtelijke waarneming en lang materiaal
Qwen documenteert oordelen over posities, gezichtspunten en occlusies, inclusief tweedimensionale grounding en ondersteuning voor driedimensionale grounding. Duid de objecten en de relatie aan die van belang zijn en vraag vervolgens welke zichtbare aanwijzingen de conclusie ondersteunen. Een uit een afbeelding afgeleide relatie mag niet als een gekalibreerde fysieke meting worden behandeld.
De native context bedraagt 262,144 tokens. De familie beschrijft boeken en urenlange video, met gebeurtenisindexering op secondenniveau en uitbreiding tot ongeveer één miljoen tokens via configuratie. Behoud timing en bronidentificaties wanneer u om een gebeurtenisverslag vraagt. Representatie en sampling bepalen welk materiaal in de aanvraag terechtkomt; een grote context garandeert niet dat alle informatie uit elke pagina of elk frame foutloos wordt teruggehaald.
Redeneren, herkenning en OCR
De familie ondersteunt visuele STEM-, wiskundige, causale en logische vragen. Geef de volledige opgave en diagramlabels en vraag het model vóór de conclusie de gebruikte waarden of relaties aan te duiden. Tekst en beeld worden gecombineerd, zodat één vraag een alinea met de bijbehorende figuur en de instructies van de gebruiker kan verbinden.
Herkenning omvat mensen, producten, herkenningspunten, planten, dieren en mediapersonages. OCR omvat 32 talen en richt zich op weinig licht, onscherpte en kanteling, inclusief specialistische woordenschat en de structuur van lange documenten. Geef leesbare pagina's en vraag om benoemde velden, citaten of een tabel die aan de hand van de afbeelding kan worden gecontroleerd. Deze toepassingen weerspiegelen de gedocumenteerde mogelijkheden, zonder exacte identificatie, transcriptie of berekening te garanderen.
Architectuurvernieuwingen
De gepubliceerde mixture-of-experts-tekstconfiguratie heeft 94 lagen, 128 experts en acht geselecteerde experts per token. Interleaved-MRoPE vertegenwoordigt tijd, breedte en hoogte voor redeneren over video. DeepStack combineert visuele kenmerken uit meerdere encoderniveaus, en tekst-timestampuitlijning verankert gebeurtenissen in tijdsreferenties. Gebruik deze 235B-A22B Instruct-editie consequent bij het voorbereiden van visuele taken en het vergelijken van de resultaten ervan.
Visuele invoer voorbereiden
De familievoorbeelden omvatten aanvragen met alleen tekst, één of meerdere afbeeldingen en video. Geef visuele invoer labels en vermeld het onderlinge verband. Pixelbudgetten voor afbeeldingen en video zijn afzonderlijk, terwijl expliciete afbeeldingsafmetingen worden uitgelijnd op veelvouden van 32. De gedocumenteerde videostandaard is twee frames per seconde, met instellingen voor frequentie of frameaantal waar ondersteund. Bewaar videometadata en vermijd dubbele schaling wanneer de helper het materiaal al heeft geschaald.
Orden voor meerdere documentpagina's het antwoord per paginalabel en vraag om ondersteunende velden of passages. Vraag bij een clip om de relevante gebeurtenis, het interval en het zichtbare bewijs. Vergelijk het teruggegeven gebeurtenisinterval en de ondersteunende details met de oorspronkelijke clip en de bijbehorende timing.
Generatierichtlijnen en beperkingen
Het generatiebestand van het checkpoint gebruikt standaard temperature 0.7, top_p 0.8, top_k 20 en repetition penalty 1.0. Het Instruct-recept van de familie gebruikt daarnaast presence penalty 1.5 en een uitvoerbudget van 32,768 tokens. Dat budget is een receptbudget van de producent, geen onafhankelijk vastgestelde harde uitvoerlimiet. De taakspecifieke budgetten van de 8B-modelkaart en de presets van de Thinking-editie blijven afzonderlijk.
De contextuitbreiding van de familie gebruikt YaRN en stelt een factor twee of drie voor bij de overgang van het interleaved positieschema van 256K naar ongeveer 1M. Reserveer antwoordruimte naast tekst en visuele representaties en controleer citaten, geëxtraheerde getallen en gegenereerde code aan de hand van de bron. Het nuttige resultaat is een concreet tekstartefact met behoud van het ondersteunende visuele bewijs en de exacte Instruct-identiteit.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3-vl-235b-a22b-instruct | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.000572 / 1K tokens Uitvoer · Uitvoertokens $0.0038 / 1K tokens Invoer · Cache lezen $0.0002 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.000572 / 1K tokens Uitvoer · Uitvoertokens $0.0038 / 1K tokens Invoer · Cache lezen $0.0002 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen/qwen3-vl-235b-a22b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-235b-a22b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-235b-a22b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra qwen/qwen3-vl-235b-a22b-instruct
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Translate a layout description to HTML\n\nCreate a semantic HTML fragment from this text layout specification: a product section contains heading "Travel mug", a paragraph "350 ml, steel", and a list of features "Sealed lid" and "Hand wash". Return editable HTML only, with no scripts or styles. Preserve exact wording and use a heading, paragraph and unordered list.One semantic HTML fragment using the requested heading, paragraph and two-item list.Inspect the element hierarchy and exact text; do not add a product image or unprovided features.