De 30B-A3B Thinking-editie
Qwen3-VL-30B-A3B-Thinking is de met redeneren versterkte mixture-of-experts-editie van Qwen3-VL. Het accepteert 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 familiegroottes. Het editieonderscheid van de maker beschrijft het beoogde redeneergedrag zonder een toepassingsspecifieke hybride schakelaar vast te leggen.
Visuele agents en programmeren
Qwen documenteert een workflow met visuele agents die bedieningselementen op computers of mobiele apparaten herkent, hun functies begrijpt en tools aanroept. Lever voor een interfacetaak de huidige schermafbeelding en het beoogde doel aan en vraag vervolgens om het relevante bedieningselement en een uitleg die aan het zichtbare bewijs is gekoppeld. De gekoppelde toepassing voert handelingen uit en retourneert resultaten; het visuele redeneren van het model bestuurt het apparaat niet zelfstandig.
De familie genereert ook diagraminhoud, HTML, CSS en JavaScript op basis van afbeeldingen of video. Lever de visuele referentie met functionele eisen aan en vraag om bewerkbare broncode. Benoem voor een bestaande interface de beoogde wijziging en relevante code, in plaats van te verwachten dat een afbeelding zonder uitleg elke interactie definieert. Gegenereerde broncode is een resultaat om te renderen en beoordelen, geen bewijs van een werkende toepassing.
Ruimte, lange context en video
De maker beschrijft oordelen over objectposities, gezichtspunten en occlusies, met tweedimensionale grounding en ondersteuning voor driedimensionale grounding. Vraag welk verband van belang is en welke aanwijzingen de conclusie ondersteunen. Een visueel verband moet gescheiden blijven van een gekalibreerde fysieke meting.
De native context is 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 gebeurtenissenverslag vraagt. Context en bemonstering bepalen welk materiaal in een verzoek wordt gerepresenteerd; de familiebeschrijving mag geen onvoorwaardelijke belofte van perfecte herinnering worden.
Multimodaal redeneren, herkenning en OCR
De Thinking-editie is relevant voor STEM-, wiskundige en logische vragen die visueel bewijs aan een uitleg koppelen. Lever de volledige opgave, diagramlabels en eenheden aan en vraag vóór het eindantwoord om de gebruikte waarden en verbanden. Een duidelijk eindproduct kan een afgebakend resultaat, bewijstabel of korte conclusie zijn die door beeld en tekst wordt ondersteund.
De familie breidt visuele herkenning uit over personen, producten, herkenningspunten, planten, dieren en mediapersonages. OCR omvat 32 talen en richt zich op lezen bij weinig licht, onscherpte of kanteling, inclusief specialistische woordenschat en documentstructuur. Behoud de leesbaarheid en vraag om controleerbare velden of citaten. Deze toepassingen gebruiken gedocumenteerde mogelijkheden; ze garanderen geen correcte identiteit, transcriptie of wiskundige conclusie voor elke invoer.
Architectuur
De exacte configuratie identificeert een visueel mixture-of-experts-taalmodel 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 van meerdere encoderniveaus en tekst-tijdstempeluitlijning helpt gebeurtenissen in tijdsreferenties te verankeren. Gebruik deze 30B-A3B Thinking-editie consequent bij het voorbereiden van visuele redeneertaken en het vergelijken van hun resultaten.
Invoer voorbereiden
De familievoorbeelden ondersteunen taken met alleen tekst, één of meerdere afbeeldingen en video. Label visuele invoer en behoud het onderlinge verband. Afzonderlijke pixelbudgetten voor afbeeldingen en video laten een workflow de detaillering regelen; expliciete afbeeldingsafmetingen worden op veelvouden van 32 afgestemd. De gedocumenteerde videostandaard is twee frames per seconde, met instellingen voor bemonsteringsfrequentie of aantal frames waar ondersteund. Bewaar videometadata en vermijd twee keer schalen wanneer de helper de media al heeft geschaald.
Orden voor een documentvergelijking het resultaat op pagina-identificatie. Vraag voor een fragment om de relevante gebeurtenis, het interval en het bewijs. Reserveer sequentieruimte voor denken en de eindtekst, naast de visuele tokens.
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. De afzonderlijke Thinking-evaluatieprocedure van de familie gebruikt temperature 0.6, presence penalty nul, repetition penalty 1.0 en een uitvoercapaciteit van 40,960 tokens. Dit zijn verschillende producentpresets; de capaciteit is geen onafhankelijk vastgesteld hard uitvoermaximum.
De uitbreidingsprocedure van de familie gebruikt YaRN en stelt een factor twee of drie voor bij de verweven positiecodering wanneer van 256K naar ongeveer 1M wordt gegaan. 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 eindproduct herkenbaar gescheiden van het redeneerproces. Het praktische resultaat is een controleerbare visuele conclusie of een codevoorstel met behoud van deze exacte Thinking-editie.
", "aboutText": "De 30B-A3B Thinking-editie\n\nQwen3-VL-30B-A3B-Thinking is de met redeneren versterkte mixture-of-experts-editie van Qwen3-VL. Het accepteert 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 familiegroottes. Het editieonderscheid van de maker 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 bedieningselementen op computers of mobiele apparaten herkent, hun functies begrijpt en tools aanroept. Lever voor een interfacetaak de huidige schermafbeelding en het beoogde doel aan en vraag vervolgens om het relevante bedieningselement en een uitleg die aan het zichtbare bewijs is gekoppeld. De gekoppelde toepassing voert handelingen uit en retourneert resultaten; het visuele redeneren van het model bestuurt het apparaat niet zelfstandig.\n\nDe familie genereert ook diagraminhoud, HTML, CSS en JavaScript op basis van afbeeldingen of video. Lever de visuele referentie met functionele eisen aan en vraag om bewerkbare broncode. Benoem voor een bestaande interface de beoogde wijziging en relevante code, in plaats van te verwachten dat een afbeelding zonder uitleg elke interactie definieert. Gegenereerde broncode is een resultaat om te renderen en beoordelen, geen bewijs van een werkende toepassing.\n\nRuimte, lange context en video\n\nDe maker beschrijft oordelen over objectposities, gezichtspunten en occlusies, met tweedimensionale grounding en ondersteuning voor driedimensionale grounding. Vraag welk verband van belang is en welke aanwijzingen de conclusie ondersteunen. Een visueel verband moet gescheiden blijven van een gekalibreerde fysieke meting.\n\nDe native context is 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 gebeurtenissenverslag vraagt. Context en bemonstering bepalen welk materiaal in een verzoek wordt gerepresenteerd; de familiebeschrijving mag geen onvoorwaardelijke belofte van perfecte herinnering worden.\n\nMultimodaal redeneren, herkenning en OCR\n\nDe Thinking-editie is relevant voor STEM-, wiskundige en logische vragen die visueel bewijs aan een uitleg koppelen. Lever de volledige opgave, diagramlabels en eenheden aan en vraag vóór het eindantwoord om de gebruikte waarden en verbanden. Een duidelijk eindproduct kan een afgebakend resultaat, bewijstabel of korte conclusie zijn die door beeld en tekst wordt ondersteund.\n\nDe familie breidt visuele herkenning uit over personen, producten, herkenningspunten, planten, dieren en mediapersonages. OCR omvat 32 talen en richt zich op lezen bij weinig licht, onscherpte of kanteling, inclusief specialistische woordenschat en documentstructuur. Behoud de leesbaarheid en vraag om controleerbare velden of citaten. Deze toepassingen gebruiken gedocumenteerde mogelijkheden; ze garanderen geen correcte identiteit, transcriptie of wiskundige conclusie voor elke invoer.\n\nArchitectuur\n\nDe exacte configuratie identificeert een visueel mixture-of-experts-taalmodel 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 van meerdere encoderniveaus en tekst-tijdstempeluitlijning helpt gebeurtenissen in tijdsreferenties te verankeren. Gebruik deze 30B-A3B Thinking-editie consequent bij het voorbereiden van visuele redeneertaken en het vergelijken van hun resultaten.\n\nInvoer voorbereiden\n\nDe familievoorbeelden ondersteunen taken met alleen tekst, één of meerdere afbeeldingen en video. Label visuele invoer en behoud het onderlinge verband. Afzonderlijke pixelbudgetten voor afbeeldingen en video laten een workflow de detaillering regelen; expliciete afbeeldingsafmetingen worden op veelvouden van 32 afgestemd. De gedocumenteerde videostandaard is twee frames per seconde, met instellingen voor bemonsteringsfrequentie of aantal frames waar ondersteund. Bewaar videometadata en vermijd twee keer schalen wanneer de helper de media al heeft geschaald.\n\nOrden voor een documentvergelijking het resultaat op pagina-identificatie. Vraag voor een fragment om de relevante gebeurtenis, het interval en het bewijs. Reserveer sequentieruimte voor denken en de eindtekst, naast de visuele tokens.\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. De afzonderlijke Thinking-evaluatieprocedure van de familie gebruikt temperature 0.6, presence penalty nul, repetition penalty 1.0 en een uitvoercapaciteit van 40,960 tokens. Dit zijn verschillende producentpresets; de capaciteit is geen onafhankelijk vastgesteld hard uitvoermaximum.\n\nDe uitbreidingsprocedure van de familie gebruikt YaRN en stelt een factor twee of drie voor bij de verweven positiecodering wanneer van 256K naar ongeveer 1M wordt gegaan. 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 eindproduct herkenbaar gescheiden van het redeneerproces. Het praktische resultaat is een controleerbare visuele conclusie of een codevoorstel met behoud van deze exacte 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 Qwens visuele mixture-of-experts-taaleditie voor diepgaander redeneren over tekst, afbeeldingen en video. Het retourneert tekst of code 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 met redeneren versterkte mixture-of-experts-editie van Qwen3-VL. Het accepteert 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 familiegroottes. Het editieonderscheid van de maker beschrijft het beoogde redeneergedrag zonder een toepassingsspecifieke hybride schakelaar vast te leggen.
Visuele agents en programmeren
Qwen documenteert een workflow met visuele agents die bedieningselementen op computers of mobiele apparaten herkent, hun functies begrijpt en tools aanroept. Lever voor een interfacetaak de huidige schermafbeelding en het beoogde doel aan en vraag vervolgens om het relevante bedieningselement en een uitleg die aan het zichtbare bewijs is gekoppeld. De gekoppelde toepassing voert handelingen uit en retourneert resultaten; het visuele redeneren van het model bestuurt het apparaat niet zelfstandig.
De familie genereert ook diagraminhoud, HTML, CSS en JavaScript op basis van afbeeldingen of video. Lever de visuele referentie met functionele eisen aan en vraag om bewerkbare broncode. Benoem voor een bestaande interface de beoogde wijziging en relevante code, in plaats van te verwachten dat een afbeelding zonder uitleg elke interactie definieert. Gegenereerde broncode is een resultaat om te renderen en beoordelen, geen bewijs van een werkende toepassing.
Ruimte, lange context en video
De maker beschrijft oordelen over objectposities, gezichtspunten en occlusies, met tweedimensionale grounding en ondersteuning voor driedimensionale grounding. Vraag welk verband van belang is en welke aanwijzingen de conclusie ondersteunen. Een visueel verband moet gescheiden blijven van een gekalibreerde fysieke meting.
De native context is 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 gebeurtenissenverslag vraagt. Context en bemonstering bepalen welk materiaal in een verzoek wordt gerepresenteerd; de familiebeschrijving mag geen onvoorwaardelijke belofte van perfecte herinnering worden.
Multimodaal redeneren, herkenning en OCR
De Thinking-editie is relevant voor STEM-, wiskundige en logische vragen die visueel bewijs aan een uitleg koppelen. Lever de volledige opgave, diagramlabels en eenheden aan en vraag vóór het eindantwoord om de gebruikte waarden en verbanden. Een duidelijk eindproduct kan een afgebakend resultaat, bewijstabel of korte conclusie zijn die door beeld en tekst wordt ondersteund.
De familie breidt visuele herkenning uit over personen, producten, herkenningspunten, planten, dieren en mediapersonages. OCR omvat 32 talen en richt zich op lezen bij weinig licht, onscherpte of kanteling, inclusief specialistische woordenschat en documentstructuur. Behoud de leesbaarheid en vraag om controleerbare velden of citaten. Deze toepassingen gebruiken gedocumenteerde mogelijkheden; ze garanderen geen correcte identiteit, transcriptie of wiskundige conclusie voor elke invoer.
Architectuur
De exacte configuratie identificeert een visueel mixture-of-experts-taalmodel 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 van meerdere encoderniveaus en tekst-tijdstempeluitlijning helpt gebeurtenissen in tijdsreferenties te verankeren. Gebruik deze 30B-A3B Thinking-editie consequent bij het voorbereiden van visuele redeneertaken en het vergelijken van hun resultaten.
Invoer voorbereiden
De familievoorbeelden ondersteunen taken met alleen tekst, één of meerdere afbeeldingen en video. Label visuele invoer en behoud het onderlinge verband. Afzonderlijke pixelbudgetten voor afbeeldingen en video laten een workflow de detaillering regelen; expliciete afbeeldingsafmetingen worden op veelvouden van 32 afgestemd. De gedocumenteerde videostandaard is twee frames per seconde, met instellingen voor bemonsteringsfrequentie of aantal frames waar ondersteund. Bewaar videometadata en vermijd twee keer schalen wanneer de helper de media al heeft geschaald.
Orden voor een documentvergelijking het resultaat op pagina-identificatie. Vraag voor een fragment om de relevante gebeurtenis, het interval en het bewijs. Reserveer sequentieruimte voor denken en de eindtekst, naast de visuele tokens.
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. De afzonderlijke Thinking-evaluatieprocedure van de familie gebruikt temperature 0.6, presence penalty nul, repetition penalty 1.0 en een uitvoercapaciteit van 40,960 tokens. Dit zijn verschillende producentpresets; de capaciteit is geen onafhankelijk vastgesteld hard uitvoermaximum.
De uitbreidingsprocedure van de familie gebruikt YaRN en stelt een factor twee of drie voor bij de verweven positiecodering wanneer van 256K naar ongeveer 1M wordt gegaan. 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 eindproduct herkenbaar gescheiden van het redeneerproces. Het praktische resultaat is een controleerbare visuele conclusie of een codevoorstel met behoud van deze exacte 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 |
| ConfiguratieNiveau 1 voor aanvraaglengte | 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 Qwens visuele mixture-of-experts-taaleditie voor diepgaander redeneren over tekst, afbeeldingen en video. Het retourneert tekst of code 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 met redeneren versterkte mixture-of-experts-editie van Qwen3-VL. Het accepteert 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 familiegroottes. Het editieonderscheid van de maker beschrijft het beoogde redeneergedrag zonder een toepassingsspecifieke hybride schakelaar vast te leggen.
Visuele agents en programmeren
Qwen documenteert een workflow met visuele agents die bedieningselementen op computers of mobiele apparaten herkent, hun functies begrijpt en tools aanroept. Lever voor een interfacetaak de huidige schermafbeelding en het beoogde doel aan en vraag vervolgens om het relevante bedieningselement en een uitleg die aan het zichtbare bewijs is gekoppeld. De gekoppelde toepassing voert handelingen uit en retourneert resultaten; het visuele redeneren van het model bestuurt het apparaat niet zelfstandig.
De familie genereert ook diagraminhoud, HTML, CSS en JavaScript op basis van afbeeldingen of video. Lever de visuele referentie met functionele eisen aan en vraag om bewerkbare broncode. Benoem voor een bestaande interface de beoogde wijziging en relevante code, in plaats van te verwachten dat een afbeelding zonder uitleg elke interactie definieert. Gegenereerde broncode is een resultaat om te renderen en beoordelen, geen bewijs van een werkende toepassing.
Ruimte, lange context en video
De maker beschrijft oordelen over objectposities, gezichtspunten en occlusies, met tweedimensionale grounding en ondersteuning voor driedimensionale grounding. Vraag welk verband van belang is en welke aanwijzingen de conclusie ondersteunen. Een visueel verband moet gescheiden blijven van een gekalibreerde fysieke meting.
De native context is 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 gebeurtenissenverslag vraagt. Context en bemonstering bepalen welk materiaal in een verzoek wordt gerepresenteerd; de familiebeschrijving mag geen onvoorwaardelijke belofte van perfecte herinnering worden.
Multimodaal redeneren, herkenning en OCR
De Thinking-editie is relevant voor STEM-, wiskundige en logische vragen die visueel bewijs aan een uitleg koppelen. Lever de volledige opgave, diagramlabels en eenheden aan en vraag vóór het eindantwoord om de gebruikte waarden en verbanden. Een duidelijk eindproduct kan een afgebakend resultaat, bewijstabel of korte conclusie zijn die door beeld en tekst wordt ondersteund.
De familie breidt visuele herkenning uit over personen, producten, herkenningspunten, planten, dieren en mediapersonages. OCR omvat 32 talen en richt zich op lezen bij weinig licht, onscherpte of kanteling, inclusief specialistische woordenschat en documentstructuur. Behoud de leesbaarheid en vraag om controleerbare velden of citaten. Deze toepassingen gebruiken gedocumenteerde mogelijkheden; ze garanderen geen correcte identiteit, transcriptie of wiskundige conclusie voor elke invoer.
Architectuur
De exacte configuratie identificeert een visueel mixture-of-experts-taalmodel 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 van meerdere encoderniveaus en tekst-tijdstempeluitlijning helpt gebeurtenissen in tijdsreferenties te verankeren. Gebruik deze 30B-A3B Thinking-editie consequent bij het voorbereiden van visuele redeneertaken en het vergelijken van hun resultaten.
Invoer voorbereiden
De familievoorbeelden ondersteunen taken met alleen tekst, één of meerdere afbeeldingen en video. Label visuele invoer en behoud het onderlinge verband. Afzonderlijke pixelbudgetten voor afbeeldingen en video laten een workflow de detaillering regelen; expliciete afbeeldingsafmetingen worden op veelvouden van 32 afgestemd. De gedocumenteerde videostandaard is twee frames per seconde, met instellingen voor bemonsteringsfrequentie of aantal frames waar ondersteund. Bewaar videometadata en vermijd twee keer schalen wanneer de helper de media al heeft geschaald.
Orden voor een documentvergelijking het resultaat op pagina-identificatie. Vraag voor een fragment om de relevante gebeurtenis, het interval en het bewijs. Reserveer sequentieruimte voor denken en de eindtekst, naast de visuele tokens.
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. De afzonderlijke Thinking-evaluatieprocedure van de familie gebruikt temperature 0.6, presence penalty nul, repetition penalty 1.0 en een uitvoercapaciteit van 40,960 tokens. Dit zijn verschillende producentpresets; de capaciteit is geen onafhankelijk vastgesteld hard uitvoermaximum.
De uitbreidingsprocedure van de familie gebruikt YaRN en stelt een factor twee of drie voor bij de verweven positiecodering wanneer van 256K naar ongeveer 1M wordt gegaan. 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 eindproduct herkenbaar gescheiden van het redeneerproces. Het praktische resultaat is een controleerbare visuele conclusie of een codevoorstel met behoud van deze exacte 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 |
| ConfiguratieNiveau 1 voor aanvraaglengte | 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.