Qwen3-Omni-30B-A3B-Thinking to model z rodziny Qwen3-Omni ukierunkowany na rozumowanie. Rozumie tekst, obrazy, audio i wideo, w tym ich połączenia w tej samej rozmowie, i tworzy wynik tekstowy. Konkretna edycja Thinking zawiera komponent Thinker i jest przystosowana do rozumowania; nie obejmuje komponentu Talker używanego do odpowiedzi głosowych w checkpoincie Instruct. To rozróżnienie ma znaczenie przy wybieraniu modelu do raportu analitycznego zamiast rozmowy głosowej.
Producent opisuje Qwen3-Omni jako wielojęzyczną rodzinę z architekturą mieszaniny ekspertów, obejmującą 119 języków tekstowych i 19 języków wejściowej mowy. Rosyjski znajduje się na opublikowanej liście języków wejściowej mowy. Dokładna konfiguracja Thinking obejmuje 48 warstw transformera tekstowego, 128 ekspertów i ośmiu ekspertów wybieranych na token. Ma również komponenty przetwarzania audio i obrazu. Są to cechy nazwanego checkpointu; jego rozumienia multimodalnego nie należy zastępować możliwościami modelu Qwen3 przeznaczonego wyłącznie do tekstu, o podobnym oznaczeniu rozmiaru.
Zbiory przykładów użycia obejmują rozpoznawanie i tłumaczenie mowy, analizę muzyki i dźwięków otoczenia, mieszane audio, pytania o obrazy, OCR, lokalizowanie obiektów, opisy wideo i pytania audiowizualne. Matematyka na podstawie obrazów jest szczególnie wskazywana dla edycji Thinking. W zadaniu geometrycznym dostarcz pełny diagram, czytelne etykiety i pytanie, a następnie poproś o rozwiązanie odróżniające widoczne dane od założeń. W nagranej demonstracji wskaż działanie lub rozbieżność do zbadania i poproś o obserwacje powiązane z odpowiednimi częściami materiału. Oczekiwany artefakt może mieć postać pisemnego rozwiązania, uporządkowanej listy obserwacji lub wyjaśnienia, co wynika z dowodów.
Przygotuj dane wejściowe jako rozmowę multimodalną, korzystając z odpowiedniego procesora i szablonu czatu. Zestaw narzędzi przetwarzania producenta obsługuje przeplatany tekst, obrazy, audio i wideo. Qwen opisuje strumieniowe odpowiedzi tekstowe jako część projektu interakcji tej rodziny i demonstruje inferencję wsadową z mieszanymi mediami oraz wyjściem wyłącznie tekstowym. W każdej turze dialogu producent zaleca jawną instrukcję tekstową obok mediów. Samo wideo pozostawia zadanie niejednoznaczne: określ, czy chodzi o podsumowanie działań, porównanie dwóch scen, wyjaśnienie dźwięku czy rozwiązanie wyświetlonego zadania. Oznacz liczne dane wejściowe i ich powiązania, aby końcowy tekst łączył właściwe pytanie z właściwym materiałem.
W przypadku wideo zawierającego mowę lub dźwięki zdarzeń zdecyduj, czy jego audio jest częścią zadania. Udokumentowany przepływ konsekwentnie wykorzystuje use_audio_in_video podczas przetwarzania wstępnego i generowania, a karta ostrzega, że zmiana tego ustawienia między turami dialogu może powodować nieoczekiwane wyniki. Pytanie dotyczące samej sceny i pytanie audiowizualne wymagają zatem odmiennego przygotowania. Zachowaj dostęp do oryginalnego klipu, wybierz odpowiedni przedział czasu i unikaj pomijania ścieżki dźwiękowej, gdy wymagany wniosek zależy od tego, co powiedziano lub usłyszano.
Opublikowana konfiguracja tekstowa ustawia max_position_embeddings na 65,536. Przykłady vLLM z karty osobno wykorzystują ustawienie długości modelu 32,768 tokenów i ustawienie generowania 16,384 tokenów. Pokazują skonfigurowany przykład inferencji, a nie jeden uniwersalny maksymalny limit długości wyjścia. Media są reprezentowane przez procesor, dlatego rozmiar żądania nie jest wyłącznie liczbą wpisanych znaków. Zarezerwuj miejsce na wynik tekstowy i wykorzystuj ograniczony fragment źródła, gdy długie nagranie zawiera tylko krótkie zdarzenie istotne dla pytania.
Producent demonstruje przepływy pracy Transformers i vLLM, z obsługą procesora i dekodowaniem mediów jako jawnymi zależnościami. Wspólna karta dokumentuje także różnice między interfejsami, w tym osobną obsługę wideo i audio w przykładzie udostępniania modelu. Wybierz konkretny checkpoint Thinking i jego obsługiwaną ścieżkę przetwarzania, zamiast zakładać, że każdy przykład na karcie rodziny ma takie samo zachowanie wyjściowe. Głosy mowy i mechanizmy sterowania Talker na tej stronie dotyczą Instruct, a nie tego modelu zawierającego wyłącznie Thinker.
Aby uzyskać przydatny wynik końcowy, poproś o wyjaśnienie oparte na dowodach i wyraźnie oddzielony wniosek. W problemie wizualnym zachowaj jednostki, symbole i etykiety; w audio odróżniaj słyszalną treść od wywnioskowanego źródła; w wideo odróżniaj obserwowane działania od interpretacji zamiaru. Sprawdź wynik względem dostarczonego materiału i wyraźnie wskaż szczegóły niepewne lub nieczytelne. Tekstowa odpowiedź modelu może wspierać analizę lub późniejszy krok aplikacji, natomiast każde wykonanie narzędzia, potwierdzenie faktów lub przekształcenie mediów pozostaje osobną operacją wymagającą własnych danych wejściowych i wyniku.
", "aboutText": "Qwen3-Omni-30B-A3B-Thinking to model z rodziny Qwen3-Omni ukierunkowany na rozumowanie. Rozumie tekst, obrazy, audio i wideo, w tym ich połączenia w tej samej rozmowie, i tworzy wynik tekstowy. Konkretna edycja Thinking zawiera komponent Thinker i jest przystosowana do rozumowania; nie obejmuje komponentu Talker używanego do odpowiedzi głosowych w checkpoincie Instruct. To rozróżnienie ma znaczenie przy wybieraniu modelu do raportu analitycznego zamiast rozmowy głosowej.\n\nProducent opisuje Qwen3-Omni jako wielojęzyczną rodzinę z architekturą mieszaniny ekspertów, obejmującą 119 języków tekstowych i 19 języków wejściowej mowy. Rosyjski znajduje się na opublikowanej liście języków wejściowej mowy. Dokładna konfiguracja Thinking obejmuje 48 warstw transformera tekstowego, 128 ekspertów i ośmiu ekspertów wybieranych na token. Ma również komponenty przetwarzania audio i obrazu. Są to cechy nazwanego checkpointu; jego rozumienia multimodalnego nie należy zastępować możliwościami modelu Qwen3 przeznaczonego wyłącznie do tekstu, o podobnym oznaczeniu rozmiaru.\n\nZbiory przykładów użycia obejmują rozpoznawanie i tłumaczenie mowy, analizę muzyki i dźwięków otoczenia, mieszane audio, pytania o obrazy, OCR, lokalizowanie obiektów, opisy wideo i pytania audiowizualne. Matematyka na podstawie obrazów jest szczególnie wskazywana dla edycji Thinking. W zadaniu geometrycznym dostarcz pełny diagram, czytelne etykiety i pytanie, a następnie poproś o rozwiązanie odróżniające widoczne dane od założeń. W nagranej demonstracji wskaż działanie lub rozbieżność do zbadania i poproś o obserwacje powiązane z odpowiednimi częściami materiału. Oczekiwany artefakt może mieć postać pisemnego rozwiązania, uporządkowanej listy obserwacji lub wyjaśnienia, co wynika z dowodów.\n\nPrzygotuj dane wejściowe jako rozmowę multimodalną, korzystając z odpowiedniego procesora i szablonu czatu. Zestaw narzędzi przetwarzania producenta obsługuje przeplatany tekst, obrazy, audio i wideo. Qwen opisuje strumieniowe odpowiedzi tekstowe jako część projektu interakcji tej rodziny i demonstruje inferencję wsadową z mieszanymi mediami oraz wyjściem wyłącznie tekstowym. W każdej turze dialogu producent zaleca jawną instrukcję tekstową obok mediów. Samo wideo pozostawia zadanie niejednoznaczne: określ, czy chodzi o podsumowanie działań, porównanie dwóch scen, wyjaśnienie dźwięku czy rozwiązanie wyświetlonego zadania. Oznacz liczne dane wejściowe i ich powiązania, aby końcowy tekst łączył właściwe pytanie z właściwym materiałem.\n\nW przypadku wideo zawierającego mowę lub dźwięki zdarzeń zdecyduj, czy jego audio jest częścią zadania. Udokumentowany przepływ konsekwentnie wykorzystuje use_audio_in_video podczas przetwarzania wstępnego i generowania, a karta ostrzega, że zmiana tego ustawienia między turami dialogu może powodować nieoczekiwane wyniki. Pytanie dotyczące samej sceny i pytanie audiowizualne wymagają zatem odmiennego przygotowania. Zachowaj dostęp do oryginalnego klipu, wybierz odpowiedni przedział czasu i unikaj pomijania ścieżki dźwiękowej, gdy wymagany wniosek zależy od tego, co powiedziano lub usłyszano.\n\nOpublikowana konfiguracja tekstowa ustawia max_position_embeddings na 65,536. Przykłady vLLM z karty osobno wykorzystują ustawienie długości modelu 32,768 tokenów i ustawienie generowania 16,384 tokenów. Pokazują skonfigurowany przykład inferencji, a nie jeden uniwersalny maksymalny limit długości wyjścia. Media są reprezentowane przez procesor, dlatego rozmiar żądania nie jest wyłącznie liczbą wpisanych znaków. Zarezerwuj miejsce na wynik tekstowy i wykorzystuj ograniczony fragment źródła, gdy długie nagranie zawiera tylko krótkie zdarzenie istotne dla pytania.\n\nProducent demonstruje przepływy pracy Transformers i vLLM, z obsługą procesora i dekodowaniem mediów jako jawnymi zależnościami. Wspólna karta dokumentuje także różnice między interfejsami, w tym osobną obsługę wideo i audio w przykładzie udostępniania modelu. Wybierz konkretny checkpoint Thinking i jego obsługiwaną ścieżkę przetwarzania, zamiast zakładać, że każdy przykład na karcie rodziny ma takie samo zachowanie wyjściowe. Głosy mowy i mechanizmy sterowania Talker na tej stronie dotyczą Instruct, a nie tego modelu zawierającego wyłącznie Thinker.\n\nAby uzyskać przydatny wynik końcowy, poproś o wyjaśnienie oparte na dowodach i wyraźnie oddzielony wniosek. W problemie wizualnym zachowaj jednostki, symbole i etykiety; w audio odróżniaj słyszalną treść od wywnioskowanego źródła; w wideo odróżniaj obserwowane działania od interpretacji zamiaru. Sprawdź wynik względem dostarczonego materiału i wyraźnie wskaż szczegóły niepewne lub nieczytelne. Tekstowa odpowiedź modelu może wspierać analizę lub późniejszy krok aplikacji, natomiast każde wykonanie narzędzia, potwierdzenie faktów lub przekształcenie mediów pozostaje osobną operacją wymagającą własnych danych wejściowych i wyniku.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Reconcile demonstration annotations\n\nAnalyze these supplied text annotations of a demonstration. T0 visual note: valve indicator reads Closed. T1 speech transcript: "I am opening the valve now." T2 visual note: indicator still reads Closed; valve mechanism is off camera. State what each source establishes, whether successful opening is confirmed and what evidence would resolve the discrepancy.An evidence table separating visual notes from quoted speech, followed by a conclusion and one verification need.Check that a spoken intention is not treated as proof of the off-camera action or a faulty indicator.Qwen/Qwen3-Omni-30B-A3B-ThinkingQwen3-Omni-30B-A3B-Thinking rozumuje na podstawie tekstu, obrazów, audio i wideo oraz zwraca tekst. Ta edycja zawierająca wyłącznie Thinker nadaje się do matematyki wizualnej, analizy audio i pytań wymagających dowodów z kilku modalności; generowanie mowy należy do innego wydania Omni.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Qwen3-Omni-30B-A3B-Thinking to model z rodziny Qwen3-Omni ukierunkowany na rozumowanie. Rozumie tekst, obrazy, audio i wideo, w tym ich połączenia w tej samej rozmowie, i tworzy wynik tekstowy. Konkretna edycja Thinking zawiera komponent Thinker i jest przystosowana do rozumowania; nie obejmuje komponentu Talker używanego do odpowiedzi głosowych w checkpoincie Instruct. To rozróżnienie ma znaczenie przy wybieraniu modelu do raportu analitycznego zamiast rozmowy głosowej.
Producent opisuje Qwen3-Omni jako wielojęzyczną rodzinę z architekturą mieszaniny ekspertów, obejmującą 119 języków tekstowych i 19 języków wejściowej mowy. Rosyjski znajduje się na opublikowanej liście języków wejściowej mowy. Dokładna konfiguracja Thinking obejmuje 48 warstw transformera tekstowego, 128 ekspertów i ośmiu ekspertów wybieranych na token. Ma również komponenty przetwarzania audio i obrazu. Są to cechy nazwanego checkpointu; jego rozumienia multimodalnego nie należy zastępować możliwościami modelu Qwen3 przeznaczonego wyłącznie do tekstu, o podobnym oznaczeniu rozmiaru.
Zbiory przykładów użycia obejmują rozpoznawanie i tłumaczenie mowy, analizę muzyki i dźwięków otoczenia, mieszane audio, pytania o obrazy, OCR, lokalizowanie obiektów, opisy wideo i pytania audiowizualne. Matematyka na podstawie obrazów jest szczególnie wskazywana dla edycji Thinking. W zadaniu geometrycznym dostarcz pełny diagram, czytelne etykiety i pytanie, a następnie poproś o rozwiązanie odróżniające widoczne dane od założeń. W nagranej demonstracji wskaż działanie lub rozbieżność do zbadania i poproś o obserwacje powiązane z odpowiednimi częściami materiału. Oczekiwany artefakt może mieć postać pisemnego rozwiązania, uporządkowanej listy obserwacji lub wyjaśnienia, co wynika z dowodów.
Przygotuj dane wejściowe jako rozmowę multimodalną, korzystając z odpowiedniego procesora i szablonu czatu. Zestaw narzędzi przetwarzania producenta obsługuje przeplatany tekst, obrazy, audio i wideo. Qwen opisuje strumieniowe odpowiedzi tekstowe jako część projektu interakcji tej rodziny i demonstruje inferencję wsadową z mieszanymi mediami oraz wyjściem wyłącznie tekstowym. W każdej turze dialogu producent zaleca jawną instrukcję tekstową obok mediów. Samo wideo pozostawia zadanie niejednoznaczne: określ, czy chodzi o podsumowanie działań, porównanie dwóch scen, wyjaśnienie dźwięku czy rozwiązanie wyświetlonego zadania. Oznacz liczne dane wejściowe i ich powiązania, aby końcowy tekst łączył właściwe pytanie z właściwym materiałem.
W przypadku wideo zawierającego mowę lub dźwięki zdarzeń zdecyduj, czy jego audio jest częścią zadania. Udokumentowany przepływ konsekwentnie wykorzystuje use_audio_in_video podczas przetwarzania wstępnego i generowania, a karta ostrzega, że zmiana tego ustawienia między turami dialogu może powodować nieoczekiwane wyniki. Pytanie dotyczące samej sceny i pytanie audiowizualne wymagają zatem odmiennego przygotowania. Zachowaj dostęp do oryginalnego klipu, wybierz odpowiedni przedział czasu i unikaj pomijania ścieżki dźwiękowej, gdy wymagany wniosek zależy od tego, co powiedziano lub usłyszano.
Opublikowana konfiguracja tekstowa ustawia max_position_embeddings na 65,536. Przykłady vLLM z karty osobno wykorzystują ustawienie długości modelu 32,768 tokenów i ustawienie generowania 16,384 tokenów. Pokazują skonfigurowany przykład inferencji, a nie jeden uniwersalny maksymalny limit długości wyjścia. Media są reprezentowane przez procesor, dlatego rozmiar żądania nie jest wyłącznie liczbą wpisanych znaków. Zarezerwuj miejsce na wynik tekstowy i wykorzystuj ograniczony fragment źródła, gdy długie nagranie zawiera tylko krótkie zdarzenie istotne dla pytania.
Producent demonstruje przepływy pracy Transformers i vLLM, z obsługą procesora i dekodowaniem mediów jako jawnymi zależnościami. Wspólna karta dokumentuje także różnice między interfejsami, w tym osobną obsługę wideo i audio w przykładzie udostępniania modelu. Wybierz konkretny checkpoint Thinking i jego obsługiwaną ścieżkę przetwarzania, zamiast zakładać, że każdy przykład na karcie rodziny ma takie samo zachowanie wyjściowe. Głosy mowy i mechanizmy sterowania Talker na tej stronie dotyczą Instruct, a nie tego modelu zawierającego wyłącznie Thinker.
Aby uzyskać przydatny wynik końcowy, poproś o wyjaśnienie oparte na dowodach i wyraźnie oddzielony wniosek. W problemie wizualnym zachowaj jednostki, symbole i etykiety; w audio odróżniaj słyszalną treść od wywnioskowanego źródła; w wideo odróżniaj obserwowane działania od interpretacji zamiaru. Sprawdź wynik względem dostarczonego materiału i wyraźnie wskaż szczegóły niepewne lub nieczytelne. Tekstowa odpowiedź modelu może wspierać analizę lub późniejszy krok aplikacji, natomiast każde wykonanie narzędzia, potwierdzenie faktów lub przekształcenie mediów pozostaje osobną operacją wymagającą własnych danych wejściowych i wyniku.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity Qwen/Qwen3-Omni-30B-A3B-Thinking | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity Przykłady: system, user, assistant, tool, function Warunki: Te role są jawnie reprezentowane przez typy zgodności w kodzie źródłowym; dokładny zestaw ról pozostaje właściwy dla danego modelu. Zależy od modelu | Domyślnie— |
Polemessages[].content | Typstring|content_part[]|null | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_calls | Typtool_call[] | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_call_id | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: role=tool; użyj rzeczywiście zwróconego ID | Domyślnie— |
Polemessages[].name | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].reasoning_content | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Przekazuj z powrotem rzeczywiście zwróconą treść rozumowania, gdy ten model jej używa | Domyślnie— |
Polemessages[].reasoning_details | Typobject|array | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polemax_completion_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Polestream_options.include_usage | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletop_p | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polestop | Typstring|string[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools | Typfunction_tool[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools[].type | Typstring | WymaganieOpcjonalne | Wartości i limity function Zależy od modelu | Domyślnie— |
Poletools[].function.name | Typstring | WymaganieWymagane | Wartości i limity Obowiązuje, gdy: udostępnione narzędzie funkcji | Domyślnie— |
Poletools[].function.description | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletools[].function.parameters | TypJSON_schema | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletool_choice | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleparallel_tool_calls | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleresponse_format | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning_effort | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleservice_tier | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleinstructions | Typstring | WymaganieOpcjonalne | Wartości i limity Pole zgodności | Domyślnie— |
Polefunctions | Typfunction[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polefunction_call | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleprompt_cache_options | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemodalities | Typstring[] | WymaganieOpcjonalne | Wartości i limity text | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity Warunki: provider.options jest odrzucane na tej tekstowej trasie Ultra | Domyślnie— |
Polecache_control.ttl | Typstring | WymaganieOpcjonalne | Wartości i limity Warunki: 1h jest odrzucane w rzeczywistych miejscach pamięci podręcznej promptów | Domyślnie— |
Tekst · tekst UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontrakttablica wiadomości o strukturze role/content |
Parametrfile_material | Kontraktrzeczywisty dokument UTF-8 wstawiony jako dosłowny tekst; bez wywnioskowanego ID pliku |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktwłaściwe dla modelu; narzędzia funkcji użytkownika różnią się od narzędzi hostowanych |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Cykl życia: synchronous_or_streamed
Wyślij dokładne ID modelu wraz z messages.
Długość kontekstu nie jest limitem wyjścia.
Plik tekstowy może dostarczyć dosłowny tekst; wejścia obrazowe/dźwiękowe/obiekty plików wymagają dokładnego powiązania.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.0002 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0008 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Qwen/Qwen3-Omni-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-Omni-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-Omni-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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy wariant i jego treść/wywołania narzędzi/rozumowanie. W SSE składaj przyrosty według indeksu wariantu/narzędzia, zachowując końcowy powód zakończenia i dane użycia.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Thinking
Użyj ścieżek metod podanych powyżej.
Qwen/Qwen3-Omni-30B-A3B-ThinkingQwen3-Omni-30B-A3B-Thinking rozumuje na podstawie tekstu, obrazów, audio i wideo oraz zwraca tekst. Ta edycja zawierająca wyłącznie Thinker nadaje się do matematyki wizualnej, analizy audio i pytań wymagających dowodów z kilku modalności; generowanie mowy należy do innego wydania Omni.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Qwen3-Omni-30B-A3B-Thinking to model z rodziny Qwen3-Omni ukierunkowany na rozumowanie. Rozumie tekst, obrazy, audio i wideo, w tym ich połączenia w tej samej rozmowie, i tworzy wynik tekstowy. Konkretna edycja Thinking zawiera komponent Thinker i jest przystosowana do rozumowania; nie obejmuje komponentu Talker używanego do odpowiedzi głosowych w checkpoincie Instruct. To rozróżnienie ma znaczenie przy wybieraniu modelu do raportu analitycznego zamiast rozmowy głosowej.
Producent opisuje Qwen3-Omni jako wielojęzyczną rodzinę z architekturą mieszaniny ekspertów, obejmującą 119 języków tekstowych i 19 języków wejściowej mowy. Rosyjski znajduje się na opublikowanej liście języków wejściowej mowy. Dokładna konfiguracja Thinking obejmuje 48 warstw transformera tekstowego, 128 ekspertów i ośmiu ekspertów wybieranych na token. Ma również komponenty przetwarzania audio i obrazu. Są to cechy nazwanego checkpointu; jego rozumienia multimodalnego nie należy zastępować możliwościami modelu Qwen3 przeznaczonego wyłącznie do tekstu, o podobnym oznaczeniu rozmiaru.
Zbiory przykładów użycia obejmują rozpoznawanie i tłumaczenie mowy, analizę muzyki i dźwięków otoczenia, mieszane audio, pytania o obrazy, OCR, lokalizowanie obiektów, opisy wideo i pytania audiowizualne. Matematyka na podstawie obrazów jest szczególnie wskazywana dla edycji Thinking. W zadaniu geometrycznym dostarcz pełny diagram, czytelne etykiety i pytanie, a następnie poproś o rozwiązanie odróżniające widoczne dane od założeń. W nagranej demonstracji wskaż działanie lub rozbieżność do zbadania i poproś o obserwacje powiązane z odpowiednimi częściami materiału. Oczekiwany artefakt może mieć postać pisemnego rozwiązania, uporządkowanej listy obserwacji lub wyjaśnienia, co wynika z dowodów.
Przygotuj dane wejściowe jako rozmowę multimodalną, korzystając z odpowiedniego procesora i szablonu czatu. Zestaw narzędzi przetwarzania producenta obsługuje przeplatany tekst, obrazy, audio i wideo. Qwen opisuje strumieniowe odpowiedzi tekstowe jako część projektu interakcji tej rodziny i demonstruje inferencję wsadową z mieszanymi mediami oraz wyjściem wyłącznie tekstowym. W każdej turze dialogu producent zaleca jawną instrukcję tekstową obok mediów. Samo wideo pozostawia zadanie niejednoznaczne: określ, czy chodzi o podsumowanie działań, porównanie dwóch scen, wyjaśnienie dźwięku czy rozwiązanie wyświetlonego zadania. Oznacz liczne dane wejściowe i ich powiązania, aby końcowy tekst łączył właściwe pytanie z właściwym materiałem.
W przypadku wideo zawierającego mowę lub dźwięki zdarzeń zdecyduj, czy jego audio jest częścią zadania. Udokumentowany przepływ konsekwentnie wykorzystuje use_audio_in_video podczas przetwarzania wstępnego i generowania, a karta ostrzega, że zmiana tego ustawienia między turami dialogu może powodować nieoczekiwane wyniki. Pytanie dotyczące samej sceny i pytanie audiowizualne wymagają zatem odmiennego przygotowania. Zachowaj dostęp do oryginalnego klipu, wybierz odpowiedni przedział czasu i unikaj pomijania ścieżki dźwiękowej, gdy wymagany wniosek zależy od tego, co powiedziano lub usłyszano.
Opublikowana konfiguracja tekstowa ustawia max_position_embeddings na 65,536. Przykłady vLLM z karty osobno wykorzystują ustawienie długości modelu 32,768 tokenów i ustawienie generowania 16,384 tokenów. Pokazują skonfigurowany przykład inferencji, a nie jeden uniwersalny maksymalny limit długości wyjścia. Media są reprezentowane przez procesor, dlatego rozmiar żądania nie jest wyłącznie liczbą wpisanych znaków. Zarezerwuj miejsce na wynik tekstowy i wykorzystuj ograniczony fragment źródła, gdy długie nagranie zawiera tylko krótkie zdarzenie istotne dla pytania.
Producent demonstruje przepływy pracy Transformers i vLLM, z obsługą procesora i dekodowaniem mediów jako jawnymi zależnościami. Wspólna karta dokumentuje także różnice między interfejsami, w tym osobną obsługę wideo i audio w przykładzie udostępniania modelu. Wybierz konkretny checkpoint Thinking i jego obsługiwaną ścieżkę przetwarzania, zamiast zakładać, że każdy przykład na karcie rodziny ma takie samo zachowanie wyjściowe. Głosy mowy i mechanizmy sterowania Talker na tej stronie dotyczą Instruct, a nie tego modelu zawierającego wyłącznie Thinker.
Aby uzyskać przydatny wynik końcowy, poproś o wyjaśnienie oparte na dowodach i wyraźnie oddzielony wniosek. W problemie wizualnym zachowaj jednostki, symbole i etykiety; w audio odróżniaj słyszalną treść od wywnioskowanego źródła; w wideo odróżniaj obserwowane działania od interpretacji zamiaru. Sprawdź wynik względem dostarczonego materiału i wyraźnie wskaż szczegóły niepewne lub nieczytelne. Tekstowa odpowiedź modelu może wspierać analizę lub późniejszy krok aplikacji, natomiast każde wykonanie narzędzia, potwierdzenie faktów lub przekształcenie mediów pozostaje osobną operacją wymagającą własnych danych wejściowych i wyniku.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity Qwen/Qwen3-Omni-30B-A3B-Thinking | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity user, assistant | Domyślnie— |
Polemessages[].content | Typstring | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF-8
ciąg messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktOdczytaj rzeczywisty dokument UTF-8 i umieść jego tekst we wskazanym polu input lub w ciągu treści wiadomości. |
Cykl życia: synchronous_or_streamed
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.0002 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0008 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "Qwen/Qwen3-Omni-30B-A3B-Thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Omni-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-Omni-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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj wszystkie bloki treści, sygnatury myślenia i rzeczywiste ID użycia narzędzi. Złóż wszystkie przyrosty bloków SSE; pierwszy blok tekstowy nie jest pełnym wyjściem.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Thinking
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Reconcile demonstration annotations\n\nAnalyze these supplied text annotations of a demonstration. T0 visual note: valve indicator reads Closed. T1 speech transcript: "I am opening the valve now." T2 visual note: indicator still reads Closed; valve mechanism is off camera. State what each source establishes, whether successful opening is confirmed and what evidence would resolve the discrepancy.An evidence table separating visual notes from quoted speech, followed by a conclusion and one verification need.Check that a spoken intention is not treated as proof of the off-camera action or a faulty indicator.