Qwen3-Omni-30B-A3B-Thinking é o membro de Qwen3-Omni orientado para o raciocínio. Compreende texto, imagens, áudio e vídeo, incluindo combinações na mesma conversa, e produz um resultado textual. A edição Thinking exata contém o componente Thinker e está equipada para raciocinar; não inclui o Talker utilizado para a saída de voz no checkpoint Instruct. Esta distinção é importante ao selecionar um modelo para um relatório analítico em vez de uma conversa com voz.
O fabricante descreve Qwen3-Omni como uma família multilingue com mistura de especialistas, com 119 línguas de texto e 19 línguas de entrada de voz. O russo consta da lista publicada de línguas de entrada de voz. A configuração Thinking exata inclui 48 camadas de transformador de texto, 128 especialistas e oito especialistas selecionados por token. Tem também componentes de processamento de áudio e visão. Estas são características do checkpoint identificado; a sua compreensão multimodal não deve ser substituída pelas capacidades de um modelo Qwen3 apenas de texto com uma designação de dimensão semelhante.
Os guias práticos de utilização abrangem reconhecimento e tradução de voz, análise de música e sons ambientais, áudio misto, questões sobre imagens, OCR, localização de objetos, descrições de vídeo e questões audiovisuais. A matemática em imagens destaca especificamente a edição Thinking. Para uma tarefa de geometria, forneça o diagrama completo, etiquetas legíveis e a questão e peça uma solução que distinga os dados visíveis das suposições. Para uma demonstração gravada, identifique a ação ou discrepância a investigar e peça observações ligadas às partes relevantes do material. O artefacto esperado pode ser uma solução escrita, uma lista estruturada de observações ou uma explicação do que as evidências sustentam.
Prepare os dados de entrada como uma conversa multimodal, utilizando o processador e o modelo de formatação de chat correspondentes. O conjunto de ferramentas de processamento do fabricante lida com texto, imagens, áudio e vídeo intercalados. A Qwen descreve respostas de texto em fluxo contínuo como parte da conceção de interação da família e demonstra inferência em lote com conteúdos multimédia mistos e saída apenas de texto. Em cada turno do diálogo, o fabricante recomenda uma instrução textual explícita juntamente com o conteúdo multimédia. Um vídeo isolado deixa a tarefa ambígua: indique se pretende resumir ações, comparar duas cenas, explicar um som ou resolver o problema apresentado. Identifique os vários dados de entrada e a relação entre eles para que o texto final possa ligar a questão certa ao material certo.
Para vídeo que contenha fala ou sons de eventos, decida se o seu áudio faz parte da tarefa. O fluxo documentado utiliza use_audio_in_video de forma consistente durante o pré-processamento e a geração, e a ficha avisa que alterar esta definição entre turnos do diálogo pode causar resultados inesperados. Por isso, uma questão apenas sobre a cena e uma questão audiovisual exigem preparações diferentes. Mantenha o excerto original disponível, selecione o intervalo relevante e evite omitir a faixa de áudio quando a conclusão pedida depender do que foi dito ou ouvido.
A configuração textual publicada define max_position_embeddings como 65,536. Os exemplos de vLLM da ficha utilizam separadamente uma definição de comprimento do modelo de 32,768 tokens e uma definição de geração de 16,384 tokens. Estes valores apresentam um exemplo de inferência configurada, em vez de um único limite máximo universal de saída. O conteúdo multimédia é representado através do processador, pelo que a dimensão do pedido não corresponde apenas ao número de caracteres escritos. Reserve espaço para o resultado textual e utilize um segmento limitado da fonte quando uma gravação longa contiver apenas um breve evento relevante para a questão.
O fabricante demonstra fluxos de trabalho com Transformers e vLLM, tendo o suporte do processador e a descodificação multimédia como dependências explícitas. A ficha partilhada também documenta diferenças de interface, incluindo o tratamento separado de vídeo e áudio num exemplo de disponibilização do modelo. Selecione o checkpoint Thinking exato e o respetivo percurso de processamento suportado, em vez de presumir que todos os exemplos da ficha da família têm o mesmo comportamento de saída. As vozes e os controlos Talker nessa página aplicam-se a Instruct, não a este modelo apenas com Thinker.
Para obter um resultado final útil, peça uma explicação baseada em evidências e uma conclusão claramente separada. Num problema visual, conserve as unidades, os símbolos e as etiquetas; em áudio, distinga o conteúdo audível de uma origem inferida; num vídeo, distinga as ações observadas de uma interpretação da intenção. Inspecione o resultado em relação ao material fornecido e identifique explicitamente os detalhes incertos ou ilegíveis. A resposta textual do modelo pode apoiar a análise ou uma etapa posterior da aplicação, enquanto qualquer execução de ferramentas, confirmação factual ou transformação multimédia continua a ser uma operação separada que exige os seus próprios dados de entrada e resultado.
", "aboutText": "Qwen3-Omni-30B-A3B-Thinking é o membro de Qwen3-Omni orientado para o raciocínio. Compreende texto, imagens, áudio e vídeo, incluindo combinações na mesma conversa, e produz um resultado textual. A edição Thinking exata contém o componente Thinker e está equipada para raciocinar; não inclui o Talker utilizado para a saída de voz no checkpoint Instruct. Esta distinção é importante ao selecionar um modelo para um relatório analítico em vez de uma conversa com voz.\n\nO fabricante descreve Qwen3-Omni como uma família multilingue com mistura de especialistas, com 119 línguas de texto e 19 línguas de entrada de voz. O russo consta da lista publicada de línguas de entrada de voz. A configuração Thinking exata inclui 48 camadas de transformador de texto, 128 especialistas e oito especialistas selecionados por token. Tem também componentes de processamento de áudio e visão. Estas são características do checkpoint identificado; a sua compreensão multimodal não deve ser substituída pelas capacidades de um modelo Qwen3 apenas de texto com uma designação de dimensão semelhante.\n\nOs guias práticos de utilização abrangem reconhecimento e tradução de voz, análise de música e sons ambientais, áudio misto, questões sobre imagens, OCR, localização de objetos, descrições de vídeo e questões audiovisuais. A matemática em imagens destaca especificamente a edição Thinking. Para uma tarefa de geometria, forneça o diagrama completo, etiquetas legíveis e a questão e peça uma solução que distinga os dados visíveis das suposições. Para uma demonstração gravada, identifique a ação ou discrepância a investigar e peça observações ligadas às partes relevantes do material. O artefacto esperado pode ser uma solução escrita, uma lista estruturada de observações ou uma explicação do que as evidências sustentam.\n\nPrepare os dados de entrada como uma conversa multimodal, utilizando o processador e o modelo de formatação de chat correspondentes. O conjunto de ferramentas de processamento do fabricante lida com texto, imagens, áudio e vídeo intercalados. A Qwen descreve respostas de texto em fluxo contínuo como parte da conceção de interação da família e demonstra inferência em lote com conteúdos multimédia mistos e saída apenas de texto. Em cada turno do diálogo, o fabricante recomenda uma instrução textual explícita juntamente com o conteúdo multimédia. Um vídeo isolado deixa a tarefa ambígua: indique se pretende resumir ações, comparar duas cenas, explicar um som ou resolver o problema apresentado. Identifique os vários dados de entrada e a relação entre eles para que o texto final possa ligar a questão certa ao material certo.\n\nPara vídeo que contenha fala ou sons de eventos, decida se o seu áudio faz parte da tarefa. O fluxo documentado utiliza use_audio_in_video de forma consistente durante o pré-processamento e a geração, e a ficha avisa que alterar esta definição entre turnos do diálogo pode causar resultados inesperados. Por isso, uma questão apenas sobre a cena e uma questão audiovisual exigem preparações diferentes. Mantenha o excerto original disponível, selecione o intervalo relevante e evite omitir a faixa de áudio quando a conclusão pedida depender do que foi dito ou ouvido.\n\nA configuração textual publicada define max_position_embeddings como 65,536. Os exemplos de vLLM da ficha utilizam separadamente uma definição de comprimento do modelo de 32,768 tokens e uma definição de geração de 16,384 tokens. Estes valores apresentam um exemplo de inferência configurada, em vez de um único limite máximo universal de saída. O conteúdo multimédia é representado através do processador, pelo que a dimensão do pedido não corresponde apenas ao número de caracteres escritos. Reserve espaço para o resultado textual e utilize um segmento limitado da fonte quando uma gravação longa contiver apenas um breve evento relevante para a questão.\n\nO fabricante demonstra fluxos de trabalho com Transformers e vLLM, tendo o suporte do processador e a descodificação multimédia como dependências explícitas. A ficha partilhada também documenta diferenças de interface, incluindo o tratamento separado de vídeo e áudio num exemplo de disponibilização do modelo. Selecione o checkpoint Thinking exato e o respetivo percurso de processamento suportado, em vez de presumir que todos os exemplos da ficha da família têm o mesmo comportamento de saída. As vozes e os controlos Talker nessa página aplicam-se a Instruct, não a este modelo apenas com Thinker.\n\nPara obter um resultado final útil, peça uma explicação baseada em evidências e uma conclusão claramente separada. Num problema visual, conserve as unidades, os símbolos e as etiquetas; em áudio, distinga o conteúdo audível de uma origem inferida; num vídeo, distinga as ações observadas de uma interpretação da intenção. Inspecione o resultado em relação ao material fornecido e identifique explicitamente os detalhes incertos ou ilegíveis. A resposta textual do modelo pode apoiar a análise ou uma etapa posterior da aplicação, enquanto qualquer execução de ferramentas, confirmação factual ou transformação multimédia continua a ser uma operação separada que exige os seus próprios dados de entrada e resultado.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
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 raciocina sobre texto, imagens, áudio e vídeo e devolve texto. Esta edição apenas com Thinker é adequada à matemática visual, à análise de áudio e a questões que exigem evidências de várias modalidades; a geração de voz pertence a outra versão Omni.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Qwen3-Omni-30B-A3B-Thinking é o membro de Qwen3-Omni orientado para o raciocínio. Compreende texto, imagens, áudio e vídeo, incluindo combinações na mesma conversa, e produz um resultado textual. A edição Thinking exata contém o componente Thinker e está equipada para raciocinar; não inclui o Talker utilizado para a saída de voz no checkpoint Instruct. Esta distinção é importante ao selecionar um modelo para um relatório analítico em vez de uma conversa com voz.
O fabricante descreve Qwen3-Omni como uma família multilingue com mistura de especialistas, com 119 línguas de texto e 19 línguas de entrada de voz. O russo consta da lista publicada de línguas de entrada de voz. A configuração Thinking exata inclui 48 camadas de transformador de texto, 128 especialistas e oito especialistas selecionados por token. Tem também componentes de processamento de áudio e visão. Estas são características do checkpoint identificado; a sua compreensão multimodal não deve ser substituída pelas capacidades de um modelo Qwen3 apenas de texto com uma designação de dimensão semelhante.
Os guias práticos de utilização abrangem reconhecimento e tradução de voz, análise de música e sons ambientais, áudio misto, questões sobre imagens, OCR, localização de objetos, descrições de vídeo e questões audiovisuais. A matemática em imagens destaca especificamente a edição Thinking. Para uma tarefa de geometria, forneça o diagrama completo, etiquetas legíveis e a questão e peça uma solução que distinga os dados visíveis das suposições. Para uma demonstração gravada, identifique a ação ou discrepância a investigar e peça observações ligadas às partes relevantes do material. O artefacto esperado pode ser uma solução escrita, uma lista estruturada de observações ou uma explicação do que as evidências sustentam.
Prepare os dados de entrada como uma conversa multimodal, utilizando o processador e o modelo de formatação de chat correspondentes. O conjunto de ferramentas de processamento do fabricante lida com texto, imagens, áudio e vídeo intercalados. A Qwen descreve respostas de texto em fluxo contínuo como parte da conceção de interação da família e demonstra inferência em lote com conteúdos multimédia mistos e saída apenas de texto. Em cada turno do diálogo, o fabricante recomenda uma instrução textual explícita juntamente com o conteúdo multimédia. Um vídeo isolado deixa a tarefa ambígua: indique se pretende resumir ações, comparar duas cenas, explicar um som ou resolver o problema apresentado. Identifique os vários dados de entrada e a relação entre eles para que o texto final possa ligar a questão certa ao material certo.
Para vídeo que contenha fala ou sons de eventos, decida se o seu áudio faz parte da tarefa. O fluxo documentado utiliza use_audio_in_video de forma consistente durante o pré-processamento e a geração, e a ficha avisa que alterar esta definição entre turnos do diálogo pode causar resultados inesperados. Por isso, uma questão apenas sobre a cena e uma questão audiovisual exigem preparações diferentes. Mantenha o excerto original disponível, selecione o intervalo relevante e evite omitir a faixa de áudio quando a conclusão pedida depender do que foi dito ou ouvido.
A configuração textual publicada define max_position_embeddings como 65,536. Os exemplos de vLLM da ficha utilizam separadamente uma definição de comprimento do modelo de 32,768 tokens e uma definição de geração de 16,384 tokens. Estes valores apresentam um exemplo de inferência configurada, em vez de um único limite máximo universal de saída. O conteúdo multimédia é representado através do processador, pelo que a dimensão do pedido não corresponde apenas ao número de caracteres escritos. Reserve espaço para o resultado textual e utilize um segmento limitado da fonte quando uma gravação longa contiver apenas um breve evento relevante para a questão.
O fabricante demonstra fluxos de trabalho com Transformers e vLLM, tendo o suporte do processador e a descodificação multimédia como dependências explícitas. A ficha partilhada também documenta diferenças de interface, incluindo o tratamento separado de vídeo e áudio num exemplo de disponibilização do modelo. Selecione o checkpoint Thinking exato e o respetivo percurso de processamento suportado, em vez de presumir que todos os exemplos da ficha da família têm o mesmo comportamento de saída. As vozes e os controlos Talker nessa página aplicam-se a Instruct, não a este modelo apenas com Thinker.
Para obter um resultado final útil, peça uma explicação baseada em evidências e uma conclusão claramente separada. Num problema visual, conserve as unidades, os símbolos e as etiquetas; em áudio, distinga o conteúdo audível de uma origem inferida; num vídeo, distinga as ações observadas de uma interpretação da intenção. Inspecione o resultado em relação ao material fornecido e identifique explicitamente os detalhes incertos ou ilegíveis. A resposta textual do modelo pode apoiar a análise ou uma etapa posterior da aplicação, enquanto qualquer execução de ferramentas, confirmação factual ou transformação multimédia continua a ser uma operação separada que exige os seus próprios dados de entrada e resultado.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites Qwen/Qwen3-Omni-30B-A3B-Thinking | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Exemplos: system, user, assistant, tool, function Condições: Estes papéis são representados explicitamente pelos tipos de compatibilidade do código-fonte; o conjunto exato de papéis continua específico do modelo. Depende do modelo | Predefinição— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: role=tool; use o ID realmente devolvido | Predefinição— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Reintroduza o raciocínio realmente devolvido quando este modelo o utiliza | Predefinição— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores e limites function Depende do modelo | Predefinição— |
Campotools[].function.name | Tipostring | RequisitoObrigatório | Valores e limites Aplica-se quando: Função fornecida como ferramenta | Predefinição— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores e limites | Predefinição— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores e limites Campo de compatibilidade | Predefinição— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores e limites text | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options é rejeitado nesta rota textual Ultra | Predefinição— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores e limites Condições: 1h é rejeitado nos locais efetivos da cache de prompts | Predefinição— |
Texto · Texto UTF8
messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages |
Parâmetromaterial_types | Contratotext |
Parâmetromessages | ContratoLista de mensagens com estrutura role/content |
Parâmetrofile_material | ContratoDocumento UTF-8 real inserido como texto literal; nenhum ID de ficheiro inferido |
Parâmetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parâmetrocontrol_scope | ContratoEspecífico do modelo; as ferramentas de funções do utilizador diferem das ferramentas alojadas |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envie o ID exato do modelo com messages.
O comprimento do contexto não é um limite de saída.
Um ficheiro de texto pode fornecer texto literal; as entradas de imagem/áudio/objeto de ficheiro exigem uma associação exata.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.0002 / 1K tokens Saída · Tokens de saída $0.0008 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve cada opção com o conteúdo, as chamadas de ferramentas e o raciocínio. Em SSE, junte os deltas por índice de opção e ferramenta e mantenha o motivo final de conclusão e os dados de utilização.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Thinking
Use os caminhos dos métodos indicados acima.
Qwen/Qwen3-Omni-30B-A3B-ThinkingQwen3-Omni-30B-A3B-Thinking raciocina sobre texto, imagens, áudio e vídeo e devolve texto. Esta edição apenas com Thinker é adequada à matemática visual, à análise de áudio e a questões que exigem evidências de várias modalidades; a geração de voz pertence a outra versão Omni.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Qwen3-Omni-30B-A3B-Thinking é o membro de Qwen3-Omni orientado para o raciocínio. Compreende texto, imagens, áudio e vídeo, incluindo combinações na mesma conversa, e produz um resultado textual. A edição Thinking exata contém o componente Thinker e está equipada para raciocinar; não inclui o Talker utilizado para a saída de voz no checkpoint Instruct. Esta distinção é importante ao selecionar um modelo para um relatório analítico em vez de uma conversa com voz.
O fabricante descreve Qwen3-Omni como uma família multilingue com mistura de especialistas, com 119 línguas de texto e 19 línguas de entrada de voz. O russo consta da lista publicada de línguas de entrada de voz. A configuração Thinking exata inclui 48 camadas de transformador de texto, 128 especialistas e oito especialistas selecionados por token. Tem também componentes de processamento de áudio e visão. Estas são características do checkpoint identificado; a sua compreensão multimodal não deve ser substituída pelas capacidades de um modelo Qwen3 apenas de texto com uma designação de dimensão semelhante.
Os guias práticos de utilização abrangem reconhecimento e tradução de voz, análise de música e sons ambientais, áudio misto, questões sobre imagens, OCR, localização de objetos, descrições de vídeo e questões audiovisuais. A matemática em imagens destaca especificamente a edição Thinking. Para uma tarefa de geometria, forneça o diagrama completo, etiquetas legíveis e a questão e peça uma solução que distinga os dados visíveis das suposições. Para uma demonstração gravada, identifique a ação ou discrepância a investigar e peça observações ligadas às partes relevantes do material. O artefacto esperado pode ser uma solução escrita, uma lista estruturada de observações ou uma explicação do que as evidências sustentam.
Prepare os dados de entrada como uma conversa multimodal, utilizando o processador e o modelo de formatação de chat correspondentes. O conjunto de ferramentas de processamento do fabricante lida com texto, imagens, áudio e vídeo intercalados. A Qwen descreve respostas de texto em fluxo contínuo como parte da conceção de interação da família e demonstra inferência em lote com conteúdos multimédia mistos e saída apenas de texto. Em cada turno do diálogo, o fabricante recomenda uma instrução textual explícita juntamente com o conteúdo multimédia. Um vídeo isolado deixa a tarefa ambígua: indique se pretende resumir ações, comparar duas cenas, explicar um som ou resolver o problema apresentado. Identifique os vários dados de entrada e a relação entre eles para que o texto final possa ligar a questão certa ao material certo.
Para vídeo que contenha fala ou sons de eventos, decida se o seu áudio faz parte da tarefa. O fluxo documentado utiliza use_audio_in_video de forma consistente durante o pré-processamento e a geração, e a ficha avisa que alterar esta definição entre turnos do diálogo pode causar resultados inesperados. Por isso, uma questão apenas sobre a cena e uma questão audiovisual exigem preparações diferentes. Mantenha o excerto original disponível, selecione o intervalo relevante e evite omitir a faixa de áudio quando a conclusão pedida depender do que foi dito ou ouvido.
A configuração textual publicada define max_position_embeddings como 65,536. Os exemplos de vLLM da ficha utilizam separadamente uma definição de comprimento do modelo de 32,768 tokens e uma definição de geração de 16,384 tokens. Estes valores apresentam um exemplo de inferência configurada, em vez de um único limite máximo universal de saída. O conteúdo multimédia é representado através do processador, pelo que a dimensão do pedido não corresponde apenas ao número de caracteres escritos. Reserve espaço para o resultado textual e utilize um segmento limitado da fonte quando uma gravação longa contiver apenas um breve evento relevante para a questão.
O fabricante demonstra fluxos de trabalho com Transformers e vLLM, tendo o suporte do processador e a descodificação multimédia como dependências explícitas. A ficha partilhada também documenta diferenças de interface, incluindo o tratamento separado de vídeo e áudio num exemplo de disponibilização do modelo. Selecione o checkpoint Thinking exato e o respetivo percurso de processamento suportado, em vez de presumir que todos os exemplos da ficha da família têm o mesmo comportamento de saída. As vozes e os controlos Talker nessa página aplicam-se a Instruct, não a este modelo apenas com Thinker.
Para obter um resultado final útil, peça uma explicação baseada em evidências e uma conclusão claramente separada. Num problema visual, conserve as unidades, os símbolos e as etiquetas; em áudio, distinga o conteúdo audível de uma origem inferida; num vídeo, distinga as ações observadas de uma interpretação da intenção. Inspecione o resultado em relação ao material fornecido e identifique explicitamente os detalhes incertos ou ilegíveis. A resposta textual do modelo pode apoiar a análise ou uma etapa posterior da aplicação, enquanto qualquer execução de ferramentas, confirmação factual ou transformação multimédia continua a ser uma operação separada que exige os seus próprios dados de entrada e resultado.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites Qwen/Qwen3-Omni-30B-A3B-Thinking | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites user, assistant | Predefinição— |
Campomessages[].content | Tipostring | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Texto · Texto UTF-8
Cadeia de caracteres messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional_controls | Contratostream |
Parâmetromaterial_types | Contratotext |
Parâmetrotext_file_material | ContratoLeia o documento UTF-8 real e coloque o texto na entrada indicada ou na cadeia de conteúdo da mensagem. |
Ciclo de vida: synchronous_or_streamed
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.0002 / 1K tokens Saída · Tokens de saída $0.0008 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "Qwen/Qwen3-Omni-30B-A3B-Thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os blocos de conteúdo, as assinaturas de raciocínio e os ID reais de utilização de ferramentas. Junte todos os deltas de blocos SSE; o primeiro bloco de texto não é a saída completa.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Thinking
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
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.