Introdução: a edição Thinking multimodal
Qwen3-VL-235B-A22B-Thinking é a edição de Qwen3-VL com mistura de especialistas centrada no raciocínio. Combina texto com imagens e vídeo, produzindo respostas textuais ou código. O ponto de controlo Thinking fixo é separado de Qwen3-VL-235B-A22B-Instruct e das versões FP8 com designações próprias. Escolha-o para uma pergunta que exija relacionar provas visuais com uma explicação mais longa, em vez de pressupor que todas as edições Qwen3-VL têm o mesmo estilo de resposta.
Agentes visuais e programação visual
A Qwen descreve um fluxo de agente visual que reconhece elementos em interfaces de computador ou telemóvel, interpreta as suas funções e trabalha com ferramentas para concluir tarefas. O modelo fornece perceção e raciocínio; uma aplicação tem de ligar e executar as ações. Para uma revisão de interface, forneça a captura de ecrã atual e um objetivo específico; depois, peça que identifique os controlos relevantes e explique a ação seguinte. A imagem, por si só, não confere controlo do dispositivo.
A programação visual inclui gerar conteúdo de diagramas e HTML, CSS ou JavaScript a partir de imagens e vídeos. Forneça uma captura de ecrã com a disposição, o comportamento e o formato de saída editável exigidos. Peça a estrutura da página e os estilos como elementos separados quando isso facilitar a revisão. O código gerado é texto para um fluxo de desenvolvimento; não prova que um site tenha sido renderizado ou que a imagem de origem se tenha tornado uma aplicação funcional.
Perceção espacial
O fabricante documenta raciocínio sobre posições de objetos, pontos de vista e oclusões, com localização bidimensional e suporte de localização tridimensional. Faça uma pergunta concreta sobre relações e identifique o objeto de interesse: por exemplo, que componente está oculto, o que se encontra à sua frente e que indícios visuais sustentam essa interpretação. A capacidade de localização não deve ser tratada como uma medição física calibrada a partir de uma imagem arbitrária.
Contexto longo e vídeo
O contexto nativo é de 262,144 tokens. A Qwen descreve expansão para cerca de um milhão através de configuração YaRN e fluxos da família que envolvem livros ou vídeo de várias horas, com indexação de acontecimentos à escala do segundo. Estas capacidades dependem da representação, da amostragem de fotogramas e da configuração de contexto; a descrição ampla do fabricante não garante recordação perfeita de cada fotograma. No seu repositório, a Qwen aconselha um fator de extrapolação de dois ou três para este esquema posicional intercalado ao alargar 256K para cerca de 1M, em vez de copiar automaticamente um fator de quatro de outro modelo.
Raciocínio multimodal e reconhecimento
A edição Thinking visa raciocínio STEM e matemático baseado em provas, análise causal e respostas lógicas que relacionam texto com material visual. Forneça um diagrama juntamente com as suas definições, ou um gráfico e a pergunta numérica precisa. Peça as etiquetas e os valores usados antes da conclusão. A Qwen descreve também reconhecimento visual mais amplo de pessoas, anime, produtos, pontos de referência, plantas e animais. Uma resposta de reconhecimento continua a ser uma inferência a partir da imagem fornecida, não uma garantia de que todos os objetos ou identidades possam ser nomeados.
O OCR abrange 32 línguas e foi concebido para melhorar a leitura com pouca luz, desfocagem ou inclinação, incluindo vocabulário especializado e estrutura de documentos longos. Preserve imagens de origem legíveis e peça campos, citações ou uma tabela estruturada que possa ser verificada. A compreensão textual e visual estão combinadas num único modelo, pelo que uma pergunta pode referir-se em conjunto a uma passagem documental, a uma figura e às instruções do utilizador.
Alterações de arquitetura
Interleaved-MRoPE distribui a representação posicional pelo tempo, largura e altura para raciocínio sobre vídeo. DeepStack combina características visuais de vários níveis do codificador para captar pormenores mais finos e melhorar o alinhamento entre imagem e texto. O alinhamento entre texto e marcas temporais liga os acontecimentos a referências temporais. A configuração textual publicada tem 94 camadas, 128 especialistas e oito especialistas selecionados por token. Estes pormenores arquiteturais explicam a representação multimodal do modelo; não estabelecem uma garantia de tempo de resposta.
Preparação de entrada e saída visuais
Os exemplos do fabricante abrangem pedidos com uma ou várias imagens, vídeo e apenas texto. Identifique cada entrada visual para que a pergunta possa referir-se claramente a ela. Os processadores de imagem e vídeo usam orçamentos de píxeis separados: um orçamento de imagem limita os seus píxeis, enquanto um orçamento de vídeo contabiliza os píxeis de todos os fotogramas amostrados. As dimensões explícitas da imagem são alinhadas a múltiplos de 32. A amostragem de vídeo pode ser controlada por frequência ou quantidade de fotogramas; a predefinição documentada é de dois fotogramas por segundo. Preserve as marcas temporais ao pedir uma cronologia de acontecimentos.
Para um excerto longo, peça o acontecimento, o seu intervalo temporal e as provas visíveis, em vez de um resumo indiferenciado. Para várias páginas, peça um resultado organizado por identificador de página. Estes exemplos de preparação aplicam as capacidades documentadas e ajudam a tornar visíveis omissões ou erros de extração.
Orientações e limites de geração
O ficheiro de geração do ponto de controlo tem como predefinições temperatura 0.8, top_p 0.95 e top_k 20. A receita separada de avaliação Thinking da Qwen usa temperatura 0.6, penalização de presença zero, penalização de repetição 1.0 e um limite de saída de 40,960 tokens. Estes são conjuntos distintos de definições do produtor, não um único limite rígido de saída. Reserve espaço para raciocínio e texto final juntamente com os tokens visuais e confira o texto extraído, as respostas calculadas e o código gerado com a fonte antes de os usar.
", "aboutText": "Introdução: a edição Thinking multimodal\n\nQwen3-VL-235B-A22B-Thinking é a edição de Qwen3-VL com mistura de especialistas centrada no raciocínio. Combina texto com imagens e vídeo, produzindo respostas textuais ou código. O ponto de controlo Thinking fixo é separado de Qwen3-VL-235B-A22B-Instruct e das versões FP8 com designações próprias. Escolha-o para uma pergunta que exija relacionar provas visuais com uma explicação mais longa, em vez de pressupor que todas as edições Qwen3-VL têm o mesmo estilo de resposta.\n\nAgentes visuais e programação visual\n\nA Qwen descreve um fluxo de agente visual que reconhece elementos em interfaces de computador ou telemóvel, interpreta as suas funções e trabalha com ferramentas para concluir tarefas. O modelo fornece perceção e raciocínio; uma aplicação tem de ligar e executar as ações. Para uma revisão de interface, forneça a captura de ecrã atual e um objetivo específico; depois, peça que identifique os controlos relevantes e explique a ação seguinte. A imagem, por si só, não confere controlo do dispositivo.\n\nA programação visual inclui gerar conteúdo de diagramas e HTML, CSS ou JavaScript a partir de imagens e vídeos. Forneça uma captura de ecrã com a disposição, o comportamento e o formato de saída editável exigidos. Peça a estrutura da página e os estilos como elementos separados quando isso facilitar a revisão. O código gerado é texto para um fluxo de desenvolvimento; não prova que um site tenha sido renderizado ou que a imagem de origem se tenha tornado uma aplicação funcional.\n\nPerceção espacial\n\nO fabricante documenta raciocínio sobre posições de objetos, pontos de vista e oclusões, com localização bidimensional e suporte de localização tridimensional. Faça uma pergunta concreta sobre relações e identifique o objeto de interesse: por exemplo, que componente está oculto, o que se encontra à sua frente e que indícios visuais sustentam essa interpretação. A capacidade de localização não deve ser tratada como uma medição física calibrada a partir de uma imagem arbitrária.\n\nContexto longo e vídeo\n\nO contexto nativo é de 262,144 tokens. A Qwen descreve expansão para cerca de um milhão através de configuração YaRN e fluxos da família que envolvem livros ou vídeo de várias horas, com indexação de acontecimentos à escala do segundo. Estas capacidades dependem da representação, da amostragem de fotogramas e da configuração de contexto; a descrição ampla do fabricante não garante recordação perfeita de cada fotograma. No seu repositório, a Qwen aconselha um fator de extrapolação de dois ou três para este esquema posicional intercalado ao alargar 256K para cerca de 1M, em vez de copiar automaticamente um fator de quatro de outro modelo.\n\nRaciocínio multimodal e reconhecimento\n\nA edição Thinking visa raciocínio STEM e matemático baseado em provas, análise causal e respostas lógicas que relacionam texto com material visual. Forneça um diagrama juntamente com as suas definições, ou um gráfico e a pergunta numérica precisa. Peça as etiquetas e os valores usados antes da conclusão. A Qwen descreve também reconhecimento visual mais amplo de pessoas, anime, produtos, pontos de referência, plantas e animais. Uma resposta de reconhecimento continua a ser uma inferência a partir da imagem fornecida, não uma garantia de que todos os objetos ou identidades possam ser nomeados.\n\nO OCR abrange 32 línguas e foi concebido para melhorar a leitura com pouca luz, desfocagem ou inclinação, incluindo vocabulário especializado e estrutura de documentos longos. Preserve imagens de origem legíveis e peça campos, citações ou uma tabela estruturada que possa ser verificada. A compreensão textual e visual estão combinadas num único modelo, pelo que uma pergunta pode referir-se em conjunto a uma passagem documental, a uma figura e às instruções do utilizador.\n\nAlterações de arquitetura\n\nInterleaved-MRoPE distribui a representação posicional pelo tempo, largura e altura para raciocínio sobre vídeo. DeepStack combina características visuais de vários níveis do codificador para captar pormenores mais finos e melhorar o alinhamento entre imagem e texto. O alinhamento entre texto e marcas temporais liga os acontecimentos a referências temporais. A configuração textual publicada tem 94 camadas, 128 especialistas e oito especialistas selecionados por token. Estes pormenores arquiteturais explicam a representação multimodal do modelo; não estabelecem uma garantia de tempo de resposta.\n\nPreparação de entrada e saída visuais\n\nOs exemplos do fabricante abrangem pedidos com uma ou várias imagens, vídeo e apenas texto. Identifique cada entrada visual para que a pergunta possa referir-se claramente a ela. Os processadores de imagem e vídeo usam orçamentos de píxeis separados: um orçamento de imagem limita os seus píxeis, enquanto um orçamento de vídeo contabiliza os píxeis de todos os fotogramas amostrados. As dimensões explícitas da imagem são alinhadas a múltiplos de 32. A amostragem de vídeo pode ser controlada por frequência ou quantidade de fotogramas; a predefinição documentada é de dois fotogramas por segundo. Preserve as marcas temporais ao pedir uma cronologia de acontecimentos.\n\nPara um excerto longo, peça o acontecimento, o seu intervalo temporal e as provas visíveis, em vez de um resumo indiferenciado. Para várias páginas, peça um resultado organizado por identificador de página. Estes exemplos de preparação aplicam as capacidades documentadas e ajudam a tornar visíveis omissões ou erros de extração.\n\nOrientações e limites de geração\n\nO ficheiro de geração do ponto de controlo tem como predefinições temperatura 0.8, top_p 0.95 e top_k 20. A receita separada de avaliação Thinking da Qwen usa temperatura 0.6, penalização de presença zero, penalização de repetição 1.0 e um limite de saída de 40,960 tokens. Estes são conjuntos distintos de definições do produtor, não um único limite rígido de saída. Reserve espaço para raciocínio e texto final juntamente com os tokens visuais e confira o texto extraído, as respostas calculadas e o código gerado com a fonte antes de os usar.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Reason from a textual circuit description\n\nUse this textual circuit description: an ideal 12 V source powers two series resistors, R1 = 2 Ω and R2 = 4 Ω. Calculate total resistance, current and voltage across each resistor. State the ideal-component assumptions and verify that the voltage drops sum to the source voltage. Return a compact worked solution using the labels R1 and R2.A labeled worked calculation and a voltage-sum consistency check.The same series current is used for both resistors and the stated voltage drops sum to 12 V.qwen/qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking é o modelo de visão e linguagem da Qwen com mistura de especialistas para raciocínio sobre texto, imagem e vídeo. Use a edição Thinking para questões STEM, provas documentais, relações espaciais, programação visual e análise de vídeo com marcas temporais, com um contexto nativo de 262,144 tokens.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Introdução: a edição Thinking multimodal
Qwen3-VL-235B-A22B-Thinking é a edição de Qwen3-VL com mistura de especialistas centrada no raciocínio. Combina texto com imagens e vídeo, produzindo respostas textuais ou código. O ponto de controlo Thinking fixo é separado de Qwen3-VL-235B-A22B-Instruct e das versões FP8 com designações próprias. Escolha-o para uma pergunta que exija relacionar provas visuais com uma explicação mais longa, em vez de pressupor que todas as edições Qwen3-VL têm o mesmo estilo de resposta.
Agentes visuais e programação visual
A Qwen descreve um fluxo de agente visual que reconhece elementos em interfaces de computador ou telemóvel, interpreta as suas funções e trabalha com ferramentas para concluir tarefas. O modelo fornece perceção e raciocínio; uma aplicação tem de ligar e executar as ações. Para uma revisão de interface, forneça a captura de ecrã atual e um objetivo específico; depois, peça que identifique os controlos relevantes e explique a ação seguinte. A imagem, por si só, não confere controlo do dispositivo.
A programação visual inclui gerar conteúdo de diagramas e HTML, CSS ou JavaScript a partir de imagens e vídeos. Forneça uma captura de ecrã com a disposição, o comportamento e o formato de saída editável exigidos. Peça a estrutura da página e os estilos como elementos separados quando isso facilitar a revisão. O código gerado é texto para um fluxo de desenvolvimento; não prova que um site tenha sido renderizado ou que a imagem de origem se tenha tornado uma aplicação funcional.
Perceção espacial
O fabricante documenta raciocínio sobre posições de objetos, pontos de vista e oclusões, com localização bidimensional e suporte de localização tridimensional. Faça uma pergunta concreta sobre relações e identifique o objeto de interesse: por exemplo, que componente está oculto, o que se encontra à sua frente e que indícios visuais sustentam essa interpretação. A capacidade de localização não deve ser tratada como uma medição física calibrada a partir de uma imagem arbitrária.
Contexto longo e vídeo
O contexto nativo é de 262,144 tokens. A Qwen descreve expansão para cerca de um milhão através de configuração YaRN e fluxos da família que envolvem livros ou vídeo de várias horas, com indexação de acontecimentos à escala do segundo. Estas capacidades dependem da representação, da amostragem de fotogramas e da configuração de contexto; a descrição ampla do fabricante não garante recordação perfeita de cada fotograma. No seu repositório, a Qwen aconselha um fator de extrapolação de dois ou três para este esquema posicional intercalado ao alargar 256K para cerca de 1M, em vez de copiar automaticamente um fator de quatro de outro modelo.
Raciocínio multimodal e reconhecimento
A edição Thinking visa raciocínio STEM e matemático baseado em provas, análise causal e respostas lógicas que relacionam texto com material visual. Forneça um diagrama juntamente com as suas definições, ou um gráfico e a pergunta numérica precisa. Peça as etiquetas e os valores usados antes da conclusão. A Qwen descreve também reconhecimento visual mais amplo de pessoas, anime, produtos, pontos de referência, plantas e animais. Uma resposta de reconhecimento continua a ser uma inferência a partir da imagem fornecida, não uma garantia de que todos os objetos ou identidades possam ser nomeados.
O OCR abrange 32 línguas e foi concebido para melhorar a leitura com pouca luz, desfocagem ou inclinação, incluindo vocabulário especializado e estrutura de documentos longos. Preserve imagens de origem legíveis e peça campos, citações ou uma tabela estruturada que possa ser verificada. A compreensão textual e visual estão combinadas num único modelo, pelo que uma pergunta pode referir-se em conjunto a uma passagem documental, a uma figura e às instruções do utilizador.
Alterações de arquitetura
Interleaved-MRoPE distribui a representação posicional pelo tempo, largura e altura para raciocínio sobre vídeo. DeepStack combina características visuais de vários níveis do codificador para captar pormenores mais finos e melhorar o alinhamento entre imagem e texto. O alinhamento entre texto e marcas temporais liga os acontecimentos a referências temporais. A configuração textual publicada tem 94 camadas, 128 especialistas e oito especialistas selecionados por token. Estes pormenores arquiteturais explicam a representação multimodal do modelo; não estabelecem uma garantia de tempo de resposta.
Preparação de entrada e saída visuais
Os exemplos do fabricante abrangem pedidos com uma ou várias imagens, vídeo e apenas texto. Identifique cada entrada visual para que a pergunta possa referir-se claramente a ela. Os processadores de imagem e vídeo usam orçamentos de píxeis separados: um orçamento de imagem limita os seus píxeis, enquanto um orçamento de vídeo contabiliza os píxeis de todos os fotogramas amostrados. As dimensões explícitas da imagem são alinhadas a múltiplos de 32. A amostragem de vídeo pode ser controlada por frequência ou quantidade de fotogramas; a predefinição documentada é de dois fotogramas por segundo. Preserve as marcas temporais ao pedir uma cronologia de acontecimentos.
Para um excerto longo, peça o acontecimento, o seu intervalo temporal e as provas visíveis, em vez de um resumo indiferenciado. Para várias páginas, peça um resultado organizado por identificador de página. Estes exemplos de preparação aplicam as capacidades documentadas e ajudam a tornar visíveis omissões ou erros de extração.
Orientações e limites de geração
O ficheiro de geração do ponto de controlo tem como predefinições temperatura 0.8, top_p 0.95 e top_k 20. A receita separada de avaliação Thinking da Qwen usa temperatura 0.6, penalização de presença zero, penalização de repetição 1.0 e um limite de saída de 40,960 tokens. Estes são conjuntos distintos de definições do produtor, não um único limite rígido de saída. Reserve espaço para raciocínio e texto final juntamente com os tokens visuais e confira o texto extraído, as respostas calculadas e o código gerado com a fonte antes de os usar.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen/qwen3-vl-235b-a22b-thinking | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Depende do modelo | Predefinição— |
Campomessages[].content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Conversação textual | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
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 |
Parâmetrocontrol_scope | ContratoConversação textual; stream é um booleano e tem false como predefinição. |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Aliases do método: /chat/completions
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 $0.000572 / 1K tokens Saída · Tokens de saída $0.00572 / 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-vl-235b-a22b-thinking","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="qwen/qwen3-vl-235b-a22b-thinking", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
qwen/qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking é o modelo de visão e linguagem da Qwen com mistura de especialistas para raciocínio sobre texto, imagem e vídeo. Use a edição Thinking para questões STEM, provas documentais, relações espaciais, programação visual e análise de vídeo com marcas temporais, com um contexto nativo de 262,144 tokens.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Introdução: a edição Thinking multimodal
Qwen3-VL-235B-A22B-Thinking é a edição de Qwen3-VL com mistura de especialistas centrada no raciocínio. Combina texto com imagens e vídeo, produzindo respostas textuais ou código. O ponto de controlo Thinking fixo é separado de Qwen3-VL-235B-A22B-Instruct e das versões FP8 com designações próprias. Escolha-o para uma pergunta que exija relacionar provas visuais com uma explicação mais longa, em vez de pressupor que todas as edições Qwen3-VL têm o mesmo estilo de resposta.
Agentes visuais e programação visual
A Qwen descreve um fluxo de agente visual que reconhece elementos em interfaces de computador ou telemóvel, interpreta as suas funções e trabalha com ferramentas para concluir tarefas. O modelo fornece perceção e raciocínio; uma aplicação tem de ligar e executar as ações. Para uma revisão de interface, forneça a captura de ecrã atual e um objetivo específico; depois, peça que identifique os controlos relevantes e explique a ação seguinte. A imagem, por si só, não confere controlo do dispositivo.
A programação visual inclui gerar conteúdo de diagramas e HTML, CSS ou JavaScript a partir de imagens e vídeos. Forneça uma captura de ecrã com a disposição, o comportamento e o formato de saída editável exigidos. Peça a estrutura da página e os estilos como elementos separados quando isso facilitar a revisão. O código gerado é texto para um fluxo de desenvolvimento; não prova que um site tenha sido renderizado ou que a imagem de origem se tenha tornado uma aplicação funcional.
Perceção espacial
O fabricante documenta raciocínio sobre posições de objetos, pontos de vista e oclusões, com localização bidimensional e suporte de localização tridimensional. Faça uma pergunta concreta sobre relações e identifique o objeto de interesse: por exemplo, que componente está oculto, o que se encontra à sua frente e que indícios visuais sustentam essa interpretação. A capacidade de localização não deve ser tratada como uma medição física calibrada a partir de uma imagem arbitrária.
Contexto longo e vídeo
O contexto nativo é de 262,144 tokens. A Qwen descreve expansão para cerca de um milhão através de configuração YaRN e fluxos da família que envolvem livros ou vídeo de várias horas, com indexação de acontecimentos à escala do segundo. Estas capacidades dependem da representação, da amostragem de fotogramas e da configuração de contexto; a descrição ampla do fabricante não garante recordação perfeita de cada fotograma. No seu repositório, a Qwen aconselha um fator de extrapolação de dois ou três para este esquema posicional intercalado ao alargar 256K para cerca de 1M, em vez de copiar automaticamente um fator de quatro de outro modelo.
Raciocínio multimodal e reconhecimento
A edição Thinking visa raciocínio STEM e matemático baseado em provas, análise causal e respostas lógicas que relacionam texto com material visual. Forneça um diagrama juntamente com as suas definições, ou um gráfico e a pergunta numérica precisa. Peça as etiquetas e os valores usados antes da conclusão. A Qwen descreve também reconhecimento visual mais amplo de pessoas, anime, produtos, pontos de referência, plantas e animais. Uma resposta de reconhecimento continua a ser uma inferência a partir da imagem fornecida, não uma garantia de que todos os objetos ou identidades possam ser nomeados.
O OCR abrange 32 línguas e foi concebido para melhorar a leitura com pouca luz, desfocagem ou inclinação, incluindo vocabulário especializado e estrutura de documentos longos. Preserve imagens de origem legíveis e peça campos, citações ou uma tabela estruturada que possa ser verificada. A compreensão textual e visual estão combinadas num único modelo, pelo que uma pergunta pode referir-se em conjunto a uma passagem documental, a uma figura e às instruções do utilizador.
Alterações de arquitetura
Interleaved-MRoPE distribui a representação posicional pelo tempo, largura e altura para raciocínio sobre vídeo. DeepStack combina características visuais de vários níveis do codificador para captar pormenores mais finos e melhorar o alinhamento entre imagem e texto. O alinhamento entre texto e marcas temporais liga os acontecimentos a referências temporais. A configuração textual publicada tem 94 camadas, 128 especialistas e oito especialistas selecionados por token. Estes pormenores arquiteturais explicam a representação multimodal do modelo; não estabelecem uma garantia de tempo de resposta.
Preparação de entrada e saída visuais
Os exemplos do fabricante abrangem pedidos com uma ou várias imagens, vídeo e apenas texto. Identifique cada entrada visual para que a pergunta possa referir-se claramente a ela. Os processadores de imagem e vídeo usam orçamentos de píxeis separados: um orçamento de imagem limita os seus píxeis, enquanto um orçamento de vídeo contabiliza os píxeis de todos os fotogramas amostrados. As dimensões explícitas da imagem são alinhadas a múltiplos de 32. A amostragem de vídeo pode ser controlada por frequência ou quantidade de fotogramas; a predefinição documentada é de dois fotogramas por segundo. Preserve as marcas temporais ao pedir uma cronologia de acontecimentos.
Para um excerto longo, peça o acontecimento, o seu intervalo temporal e as provas visíveis, em vez de um resumo indiferenciado. Para várias páginas, peça um resultado organizado por identificador de página. Estes exemplos de preparação aplicam as capacidades documentadas e ajudam a tornar visíveis omissões ou erros de extração.
Orientações e limites de geração
O ficheiro de geração do ponto de controlo tem como predefinições temperatura 0.8, top_p 0.95 e top_k 20. A receita separada de avaliação Thinking da Qwen usa temperatura 0.6, penalização de presença zero, penalização de repetição 1.0 e um limite de saída de 40,960 tokens. Estes são conjuntos distintos de definições do produtor, não um único limite rígido de saída. Reserve espaço para raciocínio e texto final juntamente com os tokens visuais e confira o texto extraído, as respostas calculadas e o código gerado com a fonte antes de os usar.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen/qwen3-vl-235b-a22b-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 $0.000572 / 1K tokens Saída · Tokens de saída $0.00572 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "qwen/qwen3-vl-235b-a22b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-235b-a22b-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-235b-a22b-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-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking é o modelo de visão e linguagem da Qwen com mistura de especialistas para raciocínio sobre texto, imagem e vídeo. Use a edição Thinking para questões STEM, provas documentais, relações espaciais, programação visual e análise de vídeo com marcas temporais, com um contexto nativo de 262,144 tokens.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Introdução: a edição Thinking multimodal
Qwen3-VL-235B-A22B-Thinking é a edição de Qwen3-VL com mistura de especialistas centrada no raciocínio. Combina texto com imagens e vídeo, produzindo respostas textuais ou código. O ponto de controlo Thinking fixo é separado de Qwen3-VL-235B-A22B-Instruct e das versões FP8 com designações próprias. Escolha-o para uma pergunta que exija relacionar provas visuais com uma explicação mais longa, em vez de pressupor que todas as edições Qwen3-VL têm o mesmo estilo de resposta.
Agentes visuais e programação visual
A Qwen descreve um fluxo de agente visual que reconhece elementos em interfaces de computador ou telemóvel, interpreta as suas funções e trabalha com ferramentas para concluir tarefas. O modelo fornece perceção e raciocínio; uma aplicação tem de ligar e executar as ações. Para uma revisão de interface, forneça a captura de ecrã atual e um objetivo específico; depois, peça que identifique os controlos relevantes e explique a ação seguinte. A imagem, por si só, não confere controlo do dispositivo.
A programação visual inclui gerar conteúdo de diagramas e HTML, CSS ou JavaScript a partir de imagens e vídeos. Forneça uma captura de ecrã com a disposição, o comportamento e o formato de saída editável exigidos. Peça a estrutura da página e os estilos como elementos separados quando isso facilitar a revisão. O código gerado é texto para um fluxo de desenvolvimento; não prova que um site tenha sido renderizado ou que a imagem de origem se tenha tornado uma aplicação funcional.
Perceção espacial
O fabricante documenta raciocínio sobre posições de objetos, pontos de vista e oclusões, com localização bidimensional e suporte de localização tridimensional. Faça uma pergunta concreta sobre relações e identifique o objeto de interesse: por exemplo, que componente está oculto, o que se encontra à sua frente e que indícios visuais sustentam essa interpretação. A capacidade de localização não deve ser tratada como uma medição física calibrada a partir de uma imagem arbitrária.
Contexto longo e vídeo
O contexto nativo é de 262,144 tokens. A Qwen descreve expansão para cerca de um milhão através de configuração YaRN e fluxos da família que envolvem livros ou vídeo de várias horas, com indexação de acontecimentos à escala do segundo. Estas capacidades dependem da representação, da amostragem de fotogramas e da configuração de contexto; a descrição ampla do fabricante não garante recordação perfeita de cada fotograma. No seu repositório, a Qwen aconselha um fator de extrapolação de dois ou três para este esquema posicional intercalado ao alargar 256K para cerca de 1M, em vez de copiar automaticamente um fator de quatro de outro modelo.
Raciocínio multimodal e reconhecimento
A edição Thinking visa raciocínio STEM e matemático baseado em provas, análise causal e respostas lógicas que relacionam texto com material visual. Forneça um diagrama juntamente com as suas definições, ou um gráfico e a pergunta numérica precisa. Peça as etiquetas e os valores usados antes da conclusão. A Qwen descreve também reconhecimento visual mais amplo de pessoas, anime, produtos, pontos de referência, plantas e animais. Uma resposta de reconhecimento continua a ser uma inferência a partir da imagem fornecida, não uma garantia de que todos os objetos ou identidades possam ser nomeados.
O OCR abrange 32 línguas e foi concebido para melhorar a leitura com pouca luz, desfocagem ou inclinação, incluindo vocabulário especializado e estrutura de documentos longos. Preserve imagens de origem legíveis e peça campos, citações ou uma tabela estruturada que possa ser verificada. A compreensão textual e visual estão combinadas num único modelo, pelo que uma pergunta pode referir-se em conjunto a uma passagem documental, a uma figura e às instruções do utilizador.
Alterações de arquitetura
Interleaved-MRoPE distribui a representação posicional pelo tempo, largura e altura para raciocínio sobre vídeo. DeepStack combina características visuais de vários níveis do codificador para captar pormenores mais finos e melhorar o alinhamento entre imagem e texto. O alinhamento entre texto e marcas temporais liga os acontecimentos a referências temporais. A configuração textual publicada tem 94 camadas, 128 especialistas e oito especialistas selecionados por token. Estes pormenores arquiteturais explicam a representação multimodal do modelo; não estabelecem uma garantia de tempo de resposta.
Preparação de entrada e saída visuais
Os exemplos do fabricante abrangem pedidos com uma ou várias imagens, vídeo e apenas texto. Identifique cada entrada visual para que a pergunta possa referir-se claramente a ela. Os processadores de imagem e vídeo usam orçamentos de píxeis separados: um orçamento de imagem limita os seus píxeis, enquanto um orçamento de vídeo contabiliza os píxeis de todos os fotogramas amostrados. As dimensões explícitas da imagem são alinhadas a múltiplos de 32. A amostragem de vídeo pode ser controlada por frequência ou quantidade de fotogramas; a predefinição documentada é de dois fotogramas por segundo. Preserve as marcas temporais ao pedir uma cronologia de acontecimentos.
Para um excerto longo, peça o acontecimento, o seu intervalo temporal e as provas visíveis, em vez de um resumo indiferenciado. Para várias páginas, peça um resultado organizado por identificador de página. Estes exemplos de preparação aplicam as capacidades documentadas e ajudam a tornar visíveis omissões ou erros de extração.
Orientações e limites de geração
O ficheiro de geração do ponto de controlo tem como predefinições temperatura 0.8, top_p 0.95 e top_k 20. A receita separada de avaliação Thinking da Qwen usa temperatura 0.6, penalização de presença zero, penalização de repetição 1.0 e um limite de saída de 40,960 tokens. Estes são conjuntos distintos de definições do produtor, não um único limite rígido de saída. Reserve espaço para raciocínio e texto final juntamente com os tokens visuais e confira o texto extraído, as respostas calculadas e o código gerado com a fonte antes de os usar.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen3-vl-235b-a22b-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 $0.000572 / 1K tokens Saída · Tokens de saída $0.00572 / 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": "qwen3-vl-235b-a22b-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='qwen3-vl-235b-a22b-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='qwen3-vl-235b-a22b-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-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking é o modelo de visão e linguagem da Qwen com mistura de especialistas para raciocínio sobre texto, imagem e vídeo. Use a edição Thinking para questões STEM, provas documentais, relações espaciais, programação visual e análise de vídeo com marcas temporais, com um contexto nativo de 262,144 tokens.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Introdução: a edição Thinking multimodal
Qwen3-VL-235B-A22B-Thinking é a edição de Qwen3-VL com mistura de especialistas centrada no raciocínio. Combina texto com imagens e vídeo, produzindo respostas textuais ou código. O ponto de controlo Thinking fixo é separado de Qwen3-VL-235B-A22B-Instruct e das versões FP8 com designações próprias. Escolha-o para uma pergunta que exija relacionar provas visuais com uma explicação mais longa, em vez de pressupor que todas as edições Qwen3-VL têm o mesmo estilo de resposta.
Agentes visuais e programação visual
A Qwen descreve um fluxo de agente visual que reconhece elementos em interfaces de computador ou telemóvel, interpreta as suas funções e trabalha com ferramentas para concluir tarefas. O modelo fornece perceção e raciocínio; uma aplicação tem de ligar e executar as ações. Para uma revisão de interface, forneça a captura de ecrã atual e um objetivo específico; depois, peça que identifique os controlos relevantes e explique a ação seguinte. A imagem, por si só, não confere controlo do dispositivo.
A programação visual inclui gerar conteúdo de diagramas e HTML, CSS ou JavaScript a partir de imagens e vídeos. Forneça uma captura de ecrã com a disposição, o comportamento e o formato de saída editável exigidos. Peça a estrutura da página e os estilos como elementos separados quando isso facilitar a revisão. O código gerado é texto para um fluxo de desenvolvimento; não prova que um site tenha sido renderizado ou que a imagem de origem se tenha tornado uma aplicação funcional.
Perceção espacial
O fabricante documenta raciocínio sobre posições de objetos, pontos de vista e oclusões, com localização bidimensional e suporte de localização tridimensional. Faça uma pergunta concreta sobre relações e identifique o objeto de interesse: por exemplo, que componente está oculto, o que se encontra à sua frente e que indícios visuais sustentam essa interpretação. A capacidade de localização não deve ser tratada como uma medição física calibrada a partir de uma imagem arbitrária.
Contexto longo e vídeo
O contexto nativo é de 262,144 tokens. A Qwen descreve expansão para cerca de um milhão através de configuração YaRN e fluxos da família que envolvem livros ou vídeo de várias horas, com indexação de acontecimentos à escala do segundo. Estas capacidades dependem da representação, da amostragem de fotogramas e da configuração de contexto; a descrição ampla do fabricante não garante recordação perfeita de cada fotograma. No seu repositório, a Qwen aconselha um fator de extrapolação de dois ou três para este esquema posicional intercalado ao alargar 256K para cerca de 1M, em vez de copiar automaticamente um fator de quatro de outro modelo.
Raciocínio multimodal e reconhecimento
A edição Thinking visa raciocínio STEM e matemático baseado em provas, análise causal e respostas lógicas que relacionam texto com material visual. Forneça um diagrama juntamente com as suas definições, ou um gráfico e a pergunta numérica precisa. Peça as etiquetas e os valores usados antes da conclusão. A Qwen descreve também reconhecimento visual mais amplo de pessoas, anime, produtos, pontos de referência, plantas e animais. Uma resposta de reconhecimento continua a ser uma inferência a partir da imagem fornecida, não uma garantia de que todos os objetos ou identidades possam ser nomeados.
O OCR abrange 32 línguas e foi concebido para melhorar a leitura com pouca luz, desfocagem ou inclinação, incluindo vocabulário especializado e estrutura de documentos longos. Preserve imagens de origem legíveis e peça campos, citações ou uma tabela estruturada que possa ser verificada. A compreensão textual e visual estão combinadas num único modelo, pelo que uma pergunta pode referir-se em conjunto a uma passagem documental, a uma figura e às instruções do utilizador.
Alterações de arquitetura
Interleaved-MRoPE distribui a representação posicional pelo tempo, largura e altura para raciocínio sobre vídeo. DeepStack combina características visuais de vários níveis do codificador para captar pormenores mais finos e melhorar o alinhamento entre imagem e texto. O alinhamento entre texto e marcas temporais liga os acontecimentos a referências temporais. A configuração textual publicada tem 94 camadas, 128 especialistas e oito especialistas selecionados por token. Estes pormenores arquiteturais explicam a representação multimodal do modelo; não estabelecem uma garantia de tempo de resposta.
Preparação de entrada e saída visuais
Os exemplos do fabricante abrangem pedidos com uma ou várias imagens, vídeo e apenas texto. Identifique cada entrada visual para que a pergunta possa referir-se claramente a ela. Os processadores de imagem e vídeo usam orçamentos de píxeis separados: um orçamento de imagem limita os seus píxeis, enquanto um orçamento de vídeo contabiliza os píxeis de todos os fotogramas amostrados. As dimensões explícitas da imagem são alinhadas a múltiplos de 32. A amostragem de vídeo pode ser controlada por frequência ou quantidade de fotogramas; a predefinição documentada é de dois fotogramas por segundo. Preserve as marcas temporais ao pedir uma cronologia de acontecimentos.
Para um excerto longo, peça o acontecimento, o seu intervalo temporal e as provas visíveis, em vez de um resumo indiferenciado. Para várias páginas, peça um resultado organizado por identificador de página. Estes exemplos de preparação aplicam as capacidades documentadas e ajudam a tornar visíveis omissões ou erros de extração.
Orientações e limites de geração
O ficheiro de geração do ponto de controlo tem como predefinições temperatura 0.8, top_p 0.95 e top_k 20. A receita separada de avaliação Thinking da Qwen usa temperatura 0.6, penalização de presença zero, penalização de repetição 1.0 e um limite de saída de 40,960 tokens. Estes são conjuntos distintos de definições do produtor, não um único limite rígido de saída. Reserve espaço para raciocínio e texto final juntamente com os tokens visuais e confira o texto extraído, as respostas calculadas e o código gerado com a fonte antes de os usar.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen3-vl-235b-a22b-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 $0.000572 / 1K tokens Saída · Tokens de saída $0.00572 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "qwen3-vl-235b-a22b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-vl-235b-a22b-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': 'qwen3-vl-235b-a22b-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-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
Exemplo técnico em inglês
Reason from a textual circuit description\n\nUse this textual circuit description: an ideal 12 V source powers two series resistors, R1 = 2 Ω and R2 = 4 Ω. Calculate total resistance, current and voltage across each resistor. State the ideal-component assumptions and verify that the voltage drops sum to the source voltage. Return a compact worked solution using the labels R1 and R2.A labeled worked calculation and a voltage-sum consistency check.The same series current is used for both resistors and the stated voltage drops sum to 12 V.