De 30B-A3B Thinking-editie
Qwen3-VL-30B-A3B-Thinking is de mixture-of-experts-editie van Qwen3-VL met versterkte redeneervaardigheden. Het verwerkt tekst, afbeeldingen en video en produceert tekst, waaronder code of een toegelichte conclusie. Houd de Thinking-identiteit gescheiden van Qwen3-VL-30B-A3B-Instruct en andere groottes binnen de familie. Het onderscheid tussen edities van de ontwikkelaar beschrijft het beoogde redeneergedrag zonder een toepassingsspecifieke hybride schakelaar vast te leggen.
Visuele agents en programmeren
Qwen documenteert een workflow met visuele agents die computer- of mobiele bedieningselementen herkent, hun functies begrijpt en tools aanroept. Geef bij een interfacetaak het huidige screenshot en het beoogde doel en vraag vervolgens om het relevante bedieningselement en een uitleg die aan het zichtbare bewijs is gekoppeld. De aangesloten toepassing voert acties uit en geeft resultaten terug; het visuele redeneervermogen van het model bestuurt het toestel niet op zichzelf.
De familie genereert ook diagraminhoud, HTML, CSS en JavaScript op basis van afbeeldingen of video. Geef de visuele referentie met functionele vereisten en vraag om bewerkbare broncode. Duid bij een bestaande interface de beoogde wijziging en de relevante code aan, in plaats van te verwachten dat een afbeelding zonder toelichting elke interactie definieert. Gegenereerde broncode is een artefact om te renderen en te beoordelen, geen bewijs van een werkende toepassing.
Ruimte, lange context en video
De ontwikkelaar beschrijft oordelen over objectposities, gezichtspunten en occlusies, met tweedimensionale grounding en ondersteuning voor driedimensionale grounding. Vraag welke relatie van belang is en welke aanwijzingen de conclusie ondersteunen. Een visuele relatie moet onderscheiden blijven van een gekalibreerde fysieke meting.
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, framevolgorde en bronidentificaties wanneer u om een gebeurtenisverslag vraagt. Context en sampling bepalen welk materiaal in een aanvraag wordt gerepresenteerd; de familiebeschrijving mag geen onvoorwaardelijke belofte worden dat alle informatie foutloos wordt teruggehaald.
Multimodaal redeneren, herkenning en OCR
De Thinking-editie is relevant voor STEM-, wiskundige en logische vragen die visueel bewijs met een uitleg verbinden. Geef de volledige opgave, diagramlabels en eenheden en vraag vóór het definitieve antwoord om de gebruikte waarden en relaties. Een duidelijk resultaat kan een afgebakende uitkomst, bewijstabel of korte conclusie zijn die door de afbeelding en tekst wordt onderbouwd.
De familie breidt visuele herkenning uit over mensen, producten, herkenningspunten, planten, dieren en mediapersonages. OCR omvat 32 talen en is gericht op lezen bij weinig licht, onscherpte of kanteling, inclusief specialistische woordenschat en documentstructuur. Behoud de leesbaarheid en vraag om velden of citaten die kunnen worden gecontroleerd. Deze toepassingen passen gedocumenteerde mogelijkheden toe; ze garanderen geen correcte identiteit, transcriptie of wiskundige conclusie voor elke invoer.
Architectuur
De specifieke configuratie identificeert een vision-language mixture-of-experts-model met 48 tekstlagen, 128 experts en acht geselecteerde experts per token. Interleaved-MRoPE verdeelt positie-informatie over tijd, breedte en hoogte. DeepStack combineert visuele kenmerken uit verschillende encoderniveaus, en tekst-timestampuitlijning helpt om gebeurtenissen in tijdsreferenties te verankeren. Gebruik deze 30B-A3B Thinking-editie consequent bij het voorbereiden van visuele redeneertaken en het vergelijken van de resultaten ervan.
Invoer voorbereiden
De familievoorbeelden ondersteunen taken met alleen tekst, één of meerdere afbeeldingen en video. Geef visuele invoer labels en behoud het onderlinge verband. Afzonderlijke pixelbudgetten voor afbeeldingen en video laten een workflow het detailniveau sturen; expliciete afbeeldingsafmetingen worden uitgelijnd op veelvouden van 32. De gedocumenteerde videostandaard is twee frames per seconde, met instellingen voor samplingfrequentie of frameaantal waar ondersteund. Bewaar videometadata en vermijd een tweede schaling wanneer de helper de media al heeft geschaald.
Orden het resultaat bij een documentvergelijking per pagina-identificatie. Vraag bij een clip om de relevante gebeurtenis, het interval en het bewijs. Reserveer naast visuele tokens ook sequentieruimte voor denkwerk en de definitieve tekst.
Generatierichtlijnen en beperkingen
Het generatiebestand van het checkpoint gebruikt standaard temperature 0.8, top_p 0.95, top_k 20 en repetition penalty 1.0. Het afzonderlijke evaluatierecept voor Thinking van de familie gebruikt temperature 0.6, presence penalty nul, repetition penalty 1.0 en een uitvoerbudget van 40,960 tokens. Dit zijn verschillende presets van de producent; het budget is geen onafhankelijk vastgestelde harde uitvoerlimiet.
De uitbreidingsprocedure van de familie gebruikt YaRN en stelt een factor twee of drie voor het interleaved positieschema voor bij de overgang van 256K naar ongeveer 1M. Ze mag niet de factor vier van een andere familie overnemen. Controleer geëxtraheerde labels, berekeningen en gegenereerde code aan de hand van het oorspronkelijke bewijs en houd het definitieve artefact onderscheiden van de redenering. Het praktische resultaat is een te beoordelen visuele conclusie of codevoorstel met behoud van deze specifieke Thinking-editie.
", "aboutText": "De 30B-A3B Thinking-editie\n\nQwen3-VL-30B-A3B-Thinking is de mixture-of-experts-editie van Qwen3-VL met versterkte redeneervaardigheden. Het verwerkt tekst, afbeeldingen en video en produceert tekst, waaronder code of een toegelichte conclusie. Houd de Thinking-identiteit gescheiden van Qwen3-VL-30B-A3B-Instruct en andere groottes binnen de familie. Het onderscheid tussen edities van de ontwikkelaar beschrijft het beoogde redeneergedrag zonder een toepassingsspecifieke hybride schakelaar vast te leggen.\n\nVisuele agents en programmeren\n\nQwen documenteert een workflow met visuele agents die computer- of mobiele bedieningselementen herkent, hun functies begrijpt en tools aanroept. Geef bij een interfacetaak het huidige screenshot en het beoogde doel en vraag vervolgens om het relevante bedieningselement en een uitleg die aan het zichtbare bewijs is gekoppeld. De aangesloten toepassing voert acties uit en geeft resultaten terug; het visuele redeneervermogen van het model bestuurt het toestel niet op zichzelf.\n\nDe familie genereert ook diagraminhoud, HTML, CSS en JavaScript op basis van afbeeldingen of video. Geef de visuele referentie met functionele vereisten en vraag om bewerkbare broncode. Duid bij een bestaande interface de beoogde wijziging en de relevante code aan, in plaats van te verwachten dat een afbeelding zonder toelichting elke interactie definieert. Gegenereerde broncode is een artefact om te renderen en te beoordelen, geen bewijs van een werkende toepassing.\n\nRuimte, lange context en video\n\nDe ontwikkelaar beschrijft oordelen over objectposities, gezichtspunten en occlusies, met tweedimensionale grounding en ondersteuning voor driedimensionale grounding. Vraag welke relatie van belang is en welke aanwijzingen de conclusie ondersteunen. Een visuele relatie moet onderscheiden blijven van een gekalibreerde fysieke meting.\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, framevolgorde en bronidentificaties wanneer u om een gebeurtenisverslag vraagt. Context en sampling bepalen welk materiaal in een aanvraag wordt gerepresenteerd; de familiebeschrijving mag geen onvoorwaardelijke belofte worden dat alle informatie foutloos wordt teruggehaald.\n\nMultimodaal redeneren, herkenning en OCR\n\nDe Thinking-editie is relevant voor STEM-, wiskundige en logische vragen die visueel bewijs met een uitleg verbinden. Geef de volledige opgave, diagramlabels en eenheden en vraag vóór het definitieve antwoord om de gebruikte waarden en relaties. Een duidelijk resultaat kan een afgebakende uitkomst, bewijstabel of korte conclusie zijn die door de afbeelding en tekst wordt onderbouwd.\n\nDe familie breidt visuele herkenning uit over mensen, producten, herkenningspunten, planten, dieren en mediapersonages. OCR omvat 32 talen en is gericht op lezen bij weinig licht, onscherpte of kanteling, inclusief specialistische woordenschat en documentstructuur. Behoud de leesbaarheid en vraag om velden of citaten die kunnen worden gecontroleerd. Deze toepassingen passen gedocumenteerde mogelijkheden toe; ze garanderen geen correcte identiteit, transcriptie of wiskundige conclusie voor elke invoer.\n\nArchitectuur\n\nDe specifieke configuratie identificeert een vision-language mixture-of-experts-model met 48 tekstlagen, 128 experts en acht geselecteerde experts per token. Interleaved-MRoPE verdeelt positie-informatie over tijd, breedte en hoogte. DeepStack combineert visuele kenmerken uit verschillende encoderniveaus, en tekst-timestampuitlijning helpt om gebeurtenissen in tijdsreferenties te verankeren. Gebruik deze 30B-A3B Thinking-editie consequent bij het voorbereiden van visuele redeneertaken en het vergelijken van de resultaten ervan.\n\nInvoer voorbereiden\n\nDe familievoorbeelden ondersteunen taken met alleen tekst, één of meerdere afbeeldingen en video. Geef visuele invoer labels en behoud het onderlinge verband. Afzonderlijke pixelbudgetten voor afbeeldingen en video laten een workflow het detailniveau sturen; expliciete afbeeldingsafmetingen worden uitgelijnd op veelvouden van 32. De gedocumenteerde videostandaard is twee frames per seconde, met instellingen voor samplingfrequentie of frameaantal waar ondersteund. Bewaar videometadata en vermijd een tweede schaling wanneer de helper de media al heeft geschaald.\n\nOrden het resultaat bij een documentvergelijking per pagina-identificatie. Vraag bij een clip om de relevante gebeurtenis, het interval en het bewijs. Reserveer naast visuele tokens ook sequentieruimte voor denkwerk en de definitieve tekst.\n\nGeneratierichtlijnen en beperkingen\n\nHet generatiebestand van het checkpoint gebruikt standaard temperature 0.8, top_p 0.95, top_k 20 en repetition penalty 1.0. Het afzonderlijke evaluatierecept voor Thinking van de familie gebruikt temperature 0.6, presence penalty nul, repetition penalty 1.0 en een uitvoerbudget van 40,960 tokens. Dit zijn verschillende presets van de producent; het budget is geen onafhankelijk vastgestelde harde uitvoerlimiet.\n\nDe uitbreidingsprocedure van de familie gebruikt YaRN en stelt een factor twee of drie voor het interleaved positieschema voor bij de overgang van 256K naar ongeveer 1M. Ze mag niet de factor vier van een andere familie overnemen. Controleer geëxtraheerde labels, berekeningen en gegenereerde code aan de hand van het oorspronkelijke bewijs en houd het definitieve artefact onderscheiden van de redenering. Het praktische resultaat is een te beoordelen visuele conclusie of codevoorstel met behoud van deze specifieke Thinking-editie.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Reason about a transcribed geometry diagram\n\nUse this diagram transcription: rectangle ABCD has AB = 10 cm and BC = 6 cm; E is the midpoint of AB; segment CE is drawn. Find the area of triangle BCE. State the base and perpendicular height used, preserve the units, and give a short derivation. Do not assume any additional markings or image input.A short geometry derivation naming base BE and height BC, with the final area in square centimetres.The midpoint halves AB, and the triangle area uses one-half times the perpendicular base-height product.qwen/qwen3-vl-30b-a3b-thinkingQwen3-VL-30B-A3B-Thinking is de mixture-of-experts vision-language-editie van Qwen voor diepgaander redeneren over tekst, afbeeldingen en video. Het geeft tekst of code terug voor STEM-vragen, documenten, ruimtelijke analyse en visuele workflows, met OCR voor 32 talen en een native 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 30B-A3B Thinking-editie
Qwen3-VL-30B-A3B-Thinking is de mixture-of-experts-editie van Qwen3-VL met versterkte redeneervaardigheden. Het verwerkt tekst, afbeeldingen en video en produceert tekst, waaronder code of een toegelichte conclusie. Houd de Thinking-identiteit gescheiden van Qwen3-VL-30B-A3B-Instruct en andere groottes binnen de familie. Het onderscheid tussen edities van de ontwikkelaar beschrijft het beoogde redeneergedrag zonder een toepassingsspecifieke hybride schakelaar vast te leggen.
Visuele agents en programmeren
Qwen documenteert een workflow met visuele agents die computer- of mobiele bedieningselementen herkent, hun functies begrijpt en tools aanroept. Geef bij een interfacetaak het huidige screenshot en het beoogde doel en vraag vervolgens om het relevante bedieningselement en een uitleg die aan het zichtbare bewijs is gekoppeld. De aangesloten toepassing voert acties uit en geeft resultaten terug; het visuele redeneervermogen van het model bestuurt het toestel niet op zichzelf.
De familie genereert ook diagraminhoud, HTML, CSS en JavaScript op basis van afbeeldingen of video. Geef de visuele referentie met functionele vereisten en vraag om bewerkbare broncode. Duid bij een bestaande interface de beoogde wijziging en de relevante code aan, in plaats van te verwachten dat een afbeelding zonder toelichting elke interactie definieert. Gegenereerde broncode is een artefact om te renderen en te beoordelen, geen bewijs van een werkende toepassing.
Ruimte, lange context en video
De ontwikkelaar beschrijft oordelen over objectposities, gezichtspunten en occlusies, met tweedimensionale grounding en ondersteuning voor driedimensionale grounding. Vraag welke relatie van belang is en welke aanwijzingen de conclusie ondersteunen. Een visuele relatie moet onderscheiden blijven van een gekalibreerde fysieke meting.
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, framevolgorde en bronidentificaties wanneer u om een gebeurtenisverslag vraagt. Context en sampling bepalen welk materiaal in een aanvraag wordt gerepresenteerd; de familiebeschrijving mag geen onvoorwaardelijke belofte worden dat alle informatie foutloos wordt teruggehaald.
Multimodaal redeneren, herkenning en OCR
De Thinking-editie is relevant voor STEM-, wiskundige en logische vragen die visueel bewijs met een uitleg verbinden. Geef de volledige opgave, diagramlabels en eenheden en vraag vóór het definitieve antwoord om de gebruikte waarden en relaties. Een duidelijk resultaat kan een afgebakende uitkomst, bewijstabel of korte conclusie zijn die door de afbeelding en tekst wordt onderbouwd.
De familie breidt visuele herkenning uit over mensen, producten, herkenningspunten, planten, dieren en mediapersonages. OCR omvat 32 talen en is gericht op lezen bij weinig licht, onscherpte of kanteling, inclusief specialistische woordenschat en documentstructuur. Behoud de leesbaarheid en vraag om velden of citaten die kunnen worden gecontroleerd. Deze toepassingen passen gedocumenteerde mogelijkheden toe; ze garanderen geen correcte identiteit, transcriptie of wiskundige conclusie voor elke invoer.
Architectuur
De specifieke configuratie identificeert een vision-language mixture-of-experts-model met 48 tekstlagen, 128 experts en acht geselecteerde experts per token. Interleaved-MRoPE verdeelt positie-informatie over tijd, breedte en hoogte. DeepStack combineert visuele kenmerken uit verschillende encoderniveaus, en tekst-timestampuitlijning helpt om gebeurtenissen in tijdsreferenties te verankeren. Gebruik deze 30B-A3B Thinking-editie consequent bij het voorbereiden van visuele redeneertaken en het vergelijken van de resultaten ervan.
Invoer voorbereiden
De familievoorbeelden ondersteunen taken met alleen tekst, één of meerdere afbeeldingen en video. Geef visuele invoer labels en behoud het onderlinge verband. Afzonderlijke pixelbudgetten voor afbeeldingen en video laten een workflow het detailniveau sturen; expliciete afbeeldingsafmetingen worden uitgelijnd op veelvouden van 32. De gedocumenteerde videostandaard is twee frames per seconde, met instellingen voor samplingfrequentie of frameaantal waar ondersteund. Bewaar videometadata en vermijd een tweede schaling wanneer de helper de media al heeft geschaald.
Orden het resultaat bij een documentvergelijking per pagina-identificatie. Vraag bij een clip om de relevante gebeurtenis, het interval en het bewijs. Reserveer naast visuele tokens ook sequentieruimte voor denkwerk en de definitieve tekst.
Generatierichtlijnen en beperkingen
Het generatiebestand van het checkpoint gebruikt standaard temperature 0.8, top_p 0.95, top_k 20 en repetition penalty 1.0. Het afzonderlijke evaluatierecept voor Thinking van de familie gebruikt temperature 0.6, presence penalty nul, repetition penalty 1.0 en een uitvoerbudget van 40,960 tokens. Dit zijn verschillende presets van de producent; het budget is geen onafhankelijk vastgestelde harde uitvoerlimiet.
De uitbreidingsprocedure van de familie gebruikt YaRN en stelt een factor twee of drie voor het interleaved positieschema voor bij de overgang van 256K naar ongeveer 1M. Ze mag niet de factor vier van een andere familie overnemen. Controleer geëxtraheerde labels, berekeningen en gegenereerde code aan de hand van het oorspronkelijke bewijs en houd het definitieve artefact onderscheiden van de redenering. Het praktische resultaat is een te beoordelen visuele conclusie of codevoorstel met behoud van deze specifieke Thinking-editie.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3-vl-30b-a3b-thinking | 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 $0.00058 / 1K tokens Uitvoer · Uitvoertokens $0.002 / 1K tokens Invoer · Cache lezen $0 / 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 $0.00058 / 1K tokens Uitvoer · Uitvoertokens $0.002 / 1K tokens Invoer · Cache lezen $0 / 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-30b-a3b-thinking", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3-vl-30b-a3b-thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3-vl-30b-a3b-thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-30b-a3b-thinking
Gebruik de hierboven getoonde methodepaden.
qwen/qwen3-vl-30b-a3b-thinkingQwen3-VL-30B-A3B-Thinking is de mixture-of-experts vision-language-editie van Qwen voor diepgaander redeneren over tekst, afbeeldingen en video. Het geeft tekst of code terug voor STEM-vragen, documenten, ruimtelijke analyse en visuele workflows, met OCR voor 32 talen en een native 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 30B-A3B Thinking-editie
Qwen3-VL-30B-A3B-Thinking is de mixture-of-experts-editie van Qwen3-VL met versterkte redeneervaardigheden. Het verwerkt tekst, afbeeldingen en video en produceert tekst, waaronder code of een toegelichte conclusie. Houd de Thinking-identiteit gescheiden van Qwen3-VL-30B-A3B-Instruct en andere groottes binnen de familie. Het onderscheid tussen edities van de ontwikkelaar beschrijft het beoogde redeneergedrag zonder een toepassingsspecifieke hybride schakelaar vast te leggen.
Visuele agents en programmeren
Qwen documenteert een workflow met visuele agents die computer- of mobiele bedieningselementen herkent, hun functies begrijpt en tools aanroept. Geef bij een interfacetaak het huidige screenshot en het beoogde doel en vraag vervolgens om het relevante bedieningselement en een uitleg die aan het zichtbare bewijs is gekoppeld. De aangesloten toepassing voert acties uit en geeft resultaten terug; het visuele redeneervermogen van het model bestuurt het toestel niet op zichzelf.
De familie genereert ook diagraminhoud, HTML, CSS en JavaScript op basis van afbeeldingen of video. Geef de visuele referentie met functionele vereisten en vraag om bewerkbare broncode. Duid bij een bestaande interface de beoogde wijziging en de relevante code aan, in plaats van te verwachten dat een afbeelding zonder toelichting elke interactie definieert. Gegenereerde broncode is een artefact om te renderen en te beoordelen, geen bewijs van een werkende toepassing.
Ruimte, lange context en video
De ontwikkelaar beschrijft oordelen over objectposities, gezichtspunten en occlusies, met tweedimensionale grounding en ondersteuning voor driedimensionale grounding. Vraag welke relatie van belang is en welke aanwijzingen de conclusie ondersteunen. Een visuele relatie moet onderscheiden blijven van een gekalibreerde fysieke meting.
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, framevolgorde en bronidentificaties wanneer u om een gebeurtenisverslag vraagt. Context en sampling bepalen welk materiaal in een aanvraag wordt gerepresenteerd; de familiebeschrijving mag geen onvoorwaardelijke belofte worden dat alle informatie foutloos wordt teruggehaald.
Multimodaal redeneren, herkenning en OCR
De Thinking-editie is relevant voor STEM-, wiskundige en logische vragen die visueel bewijs met een uitleg verbinden. Geef de volledige opgave, diagramlabels en eenheden en vraag vóór het definitieve antwoord om de gebruikte waarden en relaties. Een duidelijk resultaat kan een afgebakende uitkomst, bewijstabel of korte conclusie zijn die door de afbeelding en tekst wordt onderbouwd.
De familie breidt visuele herkenning uit over mensen, producten, herkenningspunten, planten, dieren en mediapersonages. OCR omvat 32 talen en is gericht op lezen bij weinig licht, onscherpte of kanteling, inclusief specialistische woordenschat en documentstructuur. Behoud de leesbaarheid en vraag om velden of citaten die kunnen worden gecontroleerd. Deze toepassingen passen gedocumenteerde mogelijkheden toe; ze garanderen geen correcte identiteit, transcriptie of wiskundige conclusie voor elke invoer.
Architectuur
De specifieke configuratie identificeert een vision-language mixture-of-experts-model met 48 tekstlagen, 128 experts en acht geselecteerde experts per token. Interleaved-MRoPE verdeelt positie-informatie over tijd, breedte en hoogte. DeepStack combineert visuele kenmerken uit verschillende encoderniveaus, en tekst-timestampuitlijning helpt om gebeurtenissen in tijdsreferenties te verankeren. Gebruik deze 30B-A3B Thinking-editie consequent bij het voorbereiden van visuele redeneertaken en het vergelijken van de resultaten ervan.
Invoer voorbereiden
De familievoorbeelden ondersteunen taken met alleen tekst, één of meerdere afbeeldingen en video. Geef visuele invoer labels en behoud het onderlinge verband. Afzonderlijke pixelbudgetten voor afbeeldingen en video laten een workflow het detailniveau sturen; expliciete afbeeldingsafmetingen worden uitgelijnd op veelvouden van 32. De gedocumenteerde videostandaard is twee frames per seconde, met instellingen voor samplingfrequentie of frameaantal waar ondersteund. Bewaar videometadata en vermijd een tweede schaling wanneer de helper de media al heeft geschaald.
Orden het resultaat bij een documentvergelijking per pagina-identificatie. Vraag bij een clip om de relevante gebeurtenis, het interval en het bewijs. Reserveer naast visuele tokens ook sequentieruimte voor denkwerk en de definitieve tekst.
Generatierichtlijnen en beperkingen
Het generatiebestand van het checkpoint gebruikt standaard temperature 0.8, top_p 0.95, top_k 20 en repetition penalty 1.0. Het afzonderlijke evaluatierecept voor Thinking van de familie gebruikt temperature 0.6, presence penalty nul, repetition penalty 1.0 en een uitvoerbudget van 40,960 tokens. Dit zijn verschillende presets van de producent; het budget is geen onafhankelijk vastgestelde harde uitvoerlimiet.
De uitbreidingsprocedure van de familie gebruikt YaRN en stelt een factor twee of drie voor het interleaved positieschema voor bij de overgang van 256K naar ongeveer 1M. Ze mag niet de factor vier van een andere familie overnemen. Controleer geëxtraheerde labels, berekeningen en gegenereerde code aan de hand van het oorspronkelijke bewijs en houd het definitieve artefact onderscheiden van de redenering. Het praktische resultaat is een te beoordelen visuele conclusie of codevoorstel met behoud van deze specifieke Thinking-editie.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3-vl-30b-a3b-thinking | 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 $0.00058 / 1K tokens Uitvoer · Uitvoertokens $0.002 / 1K tokens Invoer · Cache lezen $0 / 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 $0.00058 / 1K tokens Uitvoer · Uitvoertokens $0.002 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen/qwen3-vl-30b-a3b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-30b-a3b-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-30b-a3b-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-30b-a3b-thinking
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Reason about a transcribed geometry diagram\n\nUse this diagram transcription: rectangle ABCD has AB = 10 cm and BC = 6 cm; E is the midpoint of AB; segment CE is drawn. Find the area of triangle BCE. State the base and perpendicular height used, preserve the units, and give a short derivation. Do not assume any additional markings or image input.A short geometry derivation naming base BE and height BC, with the final area in square centimetres.The midpoint halves AB, and the triangle area uses one-half times the perpendicular base-height product.