Qwen3-VL-8B-Thinking é a edição densa 8B centrada em raciocínio da família Qwen3-VL da Alibaba. Combina texto, imagens e vídeo numa tarefa partilhada e gera texto. A Qwen publica as edições Thinking e Instruct separadamente; esta ficha diz respeito ao modelo Thinking identificado, cuja finalidade inclui analisar provas visuais antes de produzir uma resposta. O trabalho só de texto também integra a capacidade linguística do modelo.
O fabricante apresenta primeiro os agentes visuais: o modelo pode reconhecer elementos de interfaces de computador ou telemóvel, interpretar as suas funções e raciocinar sobre a interação seguinte. Numa aplicação, as capturas de ecrã fornecem o estado atual e as ferramentas executam as ações selecionadas. Um resumo útil dá o objetivo do utilizador, o ecrã visível e as ações permitidas e pede o próximo passo e o elemento que o justifica. A interpretação gerada é distinta de uma ação executada pela aplicação envolvente.
A programação visual relaciona imagens ou vídeo de referência com código textual. A Qwen documenta diagramas Draw.io e HTML, CSS e JavaScript como saídas de exemplo. Forneça uma captura de ecrã ou esboço com o comportamento, conteúdo e disposição de destino exigidos; peça um artefacto editável de código ou diagrama. Para trabalho espacial, a família descreve posição de objetos, ponto de vista e oclusão, com localização em 2D e 3D. Indique a convenção de coordenadas se precisar de localizações, para que uma posição descrita e uma caixa pedida utilizem a mesma referência.
O contexto nativo é de 256K tokens para texto e material visual intercalado. A ficha também descreve expansão até um milhão de tokens, uma extensão configurada separada, em vez da especificação do contexto nativo. As aplicações de contexto longo incluem referências cruzadas entre páginas de documentos e localização de eventos em vídeo. Preserve a ordem das páginas e os tempos do vídeo ao preparar a entrada e peça à resposta que identifique a página ou momento utilizado em cada conclusão.
O raciocínio multimodal abrange tarefas matemáticas e científicas que exigem tanto o material visível como a pergunta escrita. A família também suporta amplo reconhecimento visual de objetos, produtos, pontos de referência, plantas e animais. A cobertura OCR abrange 32 idiomas e inclui imagens difíceis com pouca luz, desfocagem ou inclinação, além de interpretação de estrutura documental. Num problema digitalizado, peça primeiro uma transcrição e depois uma solução; isto torna visível um sinal ou rótulo mal lido antes de alterar o raciocínio.
Três atualizações arquiteturais suportam este trabalho visual e temporal. Interleaved-MRoPE distribui informação posicional pelo tempo, largura e altura; DeepStack introduz no modelo linguístico características visuais de vários níveis; marcas temporais explícitas em texto representam a posição temporal de grupos de fotogramas de vídeo. A relevância prática é preservar pormenor espacial e ligar a descrição de um evento a um momento da fonte. Não transformam um pormenor pequeno ou ilegível da fonte em reconhecimento garantido.
A ficha exata do modelo Thinking dá recomendações de geração separadas para tarefas visuais e textuais. Ambas usam amostragem com temperature 1.0, top-p 0.95 e top-k 20; o exemplo visual usa penalização de presença 0.0, enquanto o textual usa 1.5. As definições de comprimento de saída dos exemplos são 40,960 para trabalho visual e 32,768 para texto, sugerindo 81,920 para avaliações textuais exigentes selecionadas. São recomendações de ajuste, não uma garantia universal de saída máxima nem parâmetros necessariamente expostos por um serviço envolvente.
Numa tarefa documental prática, forneça imagens ordenadas de páginas e peça: «Extraia os títulos das secções, explique a relação entre o diagrama e o texto adjacente e associe uma referência de página a cada conclusão.» Para vídeo, defina o evento a localizar e peça o respetivo tempo com uma explicação visual breve. Numa pergunta de raciocínio visual, indique o artefacto final exigido e os pressupostos permitidos. A saída continua a ser uma explicação textual, conteúdo extraído, código ou etapa proposta de ferramenta; a entrada visual desta edição não é um fluxo de geração de vídeo ou fala.
", "aboutText": "Qwen3-VL-8B-Thinking é a edição densa 8B centrada em raciocínio da família Qwen3-VL da Alibaba. Combina texto, imagens e vídeo numa tarefa partilhada e gera texto. A Qwen publica as edições Thinking e Instruct separadamente; esta ficha diz respeito ao modelo Thinking identificado, cuja finalidade inclui analisar provas visuais antes de produzir uma resposta. O trabalho só de texto também integra a capacidade linguística do modelo.\n\nO fabricante apresenta primeiro os agentes visuais: o modelo pode reconhecer elementos de interfaces de computador ou telemóvel, interpretar as suas funções e raciocinar sobre a interação seguinte. Numa aplicação, as capturas de ecrã fornecem o estado atual e as ferramentas executam as ações selecionadas. Um resumo útil dá o objetivo do utilizador, o ecrã visível e as ações permitidas e pede o próximo passo e o elemento que o justifica. A interpretação gerada é distinta de uma ação executada pela aplicação envolvente.\n\nA programação visual relaciona imagens ou vídeo de referência com código textual. A Qwen documenta diagramas Draw.io e HTML, CSS e JavaScript como saídas de exemplo. Forneça uma captura de ecrã ou esboço com o comportamento, conteúdo e disposição de destino exigidos; peça um artefacto editável de código ou diagrama. Para trabalho espacial, a família descreve posição de objetos, ponto de vista e oclusão, com localização em 2D e 3D. Indique a convenção de coordenadas se precisar de localizações, para que uma posição descrita e uma caixa pedida utilizem a mesma referência.\n\nO contexto nativo é de 256K tokens para texto e material visual intercalado. A ficha também descreve expansão até um milhão de tokens, uma extensão configurada separada, em vez da especificação do contexto nativo. As aplicações de contexto longo incluem referências cruzadas entre páginas de documentos e localização de eventos em vídeo. Preserve a ordem das páginas e os tempos do vídeo ao preparar a entrada e peça à resposta que identifique a página ou momento utilizado em cada conclusão.\n\nO raciocínio multimodal abrange tarefas matemáticas e científicas que exigem tanto o material visível como a pergunta escrita. A família também suporta amplo reconhecimento visual de objetos, produtos, pontos de referência, plantas e animais. A cobertura OCR abrange 32 idiomas e inclui imagens difíceis com pouca luz, desfocagem ou inclinação, além de interpretação de estrutura documental. Num problema digitalizado, peça primeiro uma transcrição e depois uma solução; isto torna visível um sinal ou rótulo mal lido antes de alterar o raciocínio.\n\nTrês atualizações arquiteturais suportam este trabalho visual e temporal. Interleaved-MRoPE distribui informação posicional pelo tempo, largura e altura; DeepStack introduz no modelo linguístico características visuais de vários níveis; marcas temporais explícitas em texto representam a posição temporal de grupos de fotogramas de vídeo. A relevância prática é preservar pormenor espacial e ligar a descrição de um evento a um momento da fonte. Não transformam um pormenor pequeno ou ilegível da fonte em reconhecimento garantido.\n\nA ficha exata do modelo Thinking dá recomendações de geração separadas para tarefas visuais e textuais. Ambas usam amostragem com temperature 1.0, top-p 0.95 e top-k 20; o exemplo visual usa penalização de presença 0.0, enquanto o textual usa 1.5. As definições de comprimento de saída dos exemplos são 40,960 para trabalho visual e 32,768 para texto, sugerindo 81,920 para avaliações textuais exigentes selecionadas. São recomendações de ajuste, não uma garantia universal de saída máxima nem parâmetros necessariamente expostos por um serviço envolvente.\n\nNuma tarefa documental prática, forneça imagens ordenadas de páginas e peça: «Extraia os títulos das secções, explique a relação entre o diagrama e o texto adjacente e associe uma referência de página a cada conclusão.» Para vídeo, defina o evento a localizar e peça o respetivo tempo com uma explicação visual breve. Numa pergunta de raciocínio visual, indique o artefacto final exigido e os pressupostos permitidos. A saída continua a ser uma explicação textual, conteúdo extraído, código ou etapa proposta de ferramenta; a entrada visual desta edição não é um fluxo de geração de vídeo ou fala.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Reason about a written interface layout\n\nUse this textual layout description: a dialog contains a title at the top, a long message in the middle and Cancel/Confirm buttons at the bottom. On a short screen, only the message area should scroll; both buttons must stay visible. Propose HTML and CSS structure and explain the height constraints. Do not assume an image was supplied.An editable HTML/CSS proposal and a short explanation of which region scrolls.Check the proposed structure limits message overflow while keeping both actions outside that scroll area.Qwen/Qwen3-VL-8B-ThinkingQwen3-VL-8B-Thinking é a edição 8B de visão e linguagem da Qwen centrada em raciocínio. Combina texto, imagens e vídeo para resolução de problemas visuais, interpretação de documentos, análise espacial e geração de código a partir de referências visuais.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Qwen3-VL-8B-Thinking é a edição densa 8B centrada em raciocínio da família Qwen3-VL da Alibaba. Combina texto, imagens e vídeo numa tarefa partilhada e gera texto. A Qwen publica as edições Thinking e Instruct separadamente; esta ficha diz respeito ao modelo Thinking identificado, cuja finalidade inclui analisar provas visuais antes de produzir uma resposta. O trabalho só de texto também integra a capacidade linguística do modelo.
O fabricante apresenta primeiro os agentes visuais: o modelo pode reconhecer elementos de interfaces de computador ou telemóvel, interpretar as suas funções e raciocinar sobre a interação seguinte. Numa aplicação, as capturas de ecrã fornecem o estado atual e as ferramentas executam as ações selecionadas. Um resumo útil dá o objetivo do utilizador, o ecrã visível e as ações permitidas e pede o próximo passo e o elemento que o justifica. A interpretação gerada é distinta de uma ação executada pela aplicação envolvente.
A programação visual relaciona imagens ou vídeo de referência com código textual. A Qwen documenta diagramas Draw.io e HTML, CSS e JavaScript como saídas de exemplo. Forneça uma captura de ecrã ou esboço com o comportamento, conteúdo e disposição de destino exigidos; peça um artefacto editável de código ou diagrama. Para trabalho espacial, a família descreve posição de objetos, ponto de vista e oclusão, com localização em 2D e 3D. Indique a convenção de coordenadas se precisar de localizações, para que uma posição descrita e uma caixa pedida utilizem a mesma referência.
O contexto nativo é de 256K tokens para texto e material visual intercalado. A ficha também descreve expansão até um milhão de tokens, uma extensão configurada separada, em vez da especificação do contexto nativo. As aplicações de contexto longo incluem referências cruzadas entre páginas de documentos e localização de eventos em vídeo. Preserve a ordem das páginas e os tempos do vídeo ao preparar a entrada e peça à resposta que identifique a página ou momento utilizado em cada conclusão.
O raciocínio multimodal abrange tarefas matemáticas e científicas que exigem tanto o material visível como a pergunta escrita. A família também suporta amplo reconhecimento visual de objetos, produtos, pontos de referência, plantas e animais. A cobertura OCR abrange 32 idiomas e inclui imagens difíceis com pouca luz, desfocagem ou inclinação, além de interpretação de estrutura documental. Num problema digitalizado, peça primeiro uma transcrição e depois uma solução; isto torna visível um sinal ou rótulo mal lido antes de alterar o raciocínio.
Três atualizações arquiteturais suportam este trabalho visual e temporal. Interleaved-MRoPE distribui informação posicional pelo tempo, largura e altura; DeepStack introduz no modelo linguístico características visuais de vários níveis; marcas temporais explícitas em texto representam a posição temporal de grupos de fotogramas de vídeo. A relevância prática é preservar pormenor espacial e ligar a descrição de um evento a um momento da fonte. Não transformam um pormenor pequeno ou ilegível da fonte em reconhecimento garantido.
A ficha exata do modelo Thinking dá recomendações de geração separadas para tarefas visuais e textuais. Ambas usam amostragem com temperature 1.0, top-p 0.95 e top-k 20; o exemplo visual usa penalização de presença 0.0, enquanto o textual usa 1.5. As definições de comprimento de saída dos exemplos são 40,960 para trabalho visual e 32,768 para texto, sugerindo 81,920 para avaliações textuais exigentes selecionadas. São recomendações de ajuste, não uma garantia universal de saída máxima nem parâmetros necessariamente expostos por um serviço envolvente.
Numa tarefa documental prática, forneça imagens ordenadas de páginas e peça: «Extraia os títulos das secções, explique a relação entre o diagrama e o texto adjacente e associe uma referência de página a cada conclusão.» Para vídeo, defina o evento a localizar e peça o respetivo tempo com uma explicação visual breve. Numa pergunta de raciocínio visual, indique o artefacto final exigido e os pressupostos permitidos. A saída continua a ser uma explicação textual, conteúdo extraído, código ou etapa proposta de ferramenta; a entrada visual desta edição não é um fluxo de geração de vídeo ou fala.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites Qwen/Qwen3-VL-8B-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 $0.000144 / 1K tokens Saída · Tokens de saída $0.00143 / 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-8B-Thinking", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen3-VL-8B-Thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen3-VL-8B-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-8B-Thinking
Use os caminhos dos métodos indicados acima.
Qwen/Qwen3-VL-8B-ThinkingQwen3-VL-8B-Thinking é a edição 8B de visão e linguagem da Qwen centrada em raciocínio. Combina texto, imagens e vídeo para resolução de problemas visuais, interpretação de documentos, análise espacial e geração de código a partir de referências visuais.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Qwen3-VL-8B-Thinking é a edição densa 8B centrada em raciocínio da família Qwen3-VL da Alibaba. Combina texto, imagens e vídeo numa tarefa partilhada e gera texto. A Qwen publica as edições Thinking e Instruct separadamente; esta ficha diz respeito ao modelo Thinking identificado, cuja finalidade inclui analisar provas visuais antes de produzir uma resposta. O trabalho só de texto também integra a capacidade linguística do modelo.
O fabricante apresenta primeiro os agentes visuais: o modelo pode reconhecer elementos de interfaces de computador ou telemóvel, interpretar as suas funções e raciocinar sobre a interação seguinte. Numa aplicação, as capturas de ecrã fornecem o estado atual e as ferramentas executam as ações selecionadas. Um resumo útil dá o objetivo do utilizador, o ecrã visível e as ações permitidas e pede o próximo passo e o elemento que o justifica. A interpretação gerada é distinta de uma ação executada pela aplicação envolvente.
A programação visual relaciona imagens ou vídeo de referência com código textual. A Qwen documenta diagramas Draw.io e HTML, CSS e JavaScript como saídas de exemplo. Forneça uma captura de ecrã ou esboço com o comportamento, conteúdo e disposição de destino exigidos; peça um artefacto editável de código ou diagrama. Para trabalho espacial, a família descreve posição de objetos, ponto de vista e oclusão, com localização em 2D e 3D. Indique a convenção de coordenadas se precisar de localizações, para que uma posição descrita e uma caixa pedida utilizem a mesma referência.
O contexto nativo é de 256K tokens para texto e material visual intercalado. A ficha também descreve expansão até um milhão de tokens, uma extensão configurada separada, em vez da especificação do contexto nativo. As aplicações de contexto longo incluem referências cruzadas entre páginas de documentos e localização de eventos em vídeo. Preserve a ordem das páginas e os tempos do vídeo ao preparar a entrada e peça à resposta que identifique a página ou momento utilizado em cada conclusão.
O raciocínio multimodal abrange tarefas matemáticas e científicas que exigem tanto o material visível como a pergunta escrita. A família também suporta amplo reconhecimento visual de objetos, produtos, pontos de referência, plantas e animais. A cobertura OCR abrange 32 idiomas e inclui imagens difíceis com pouca luz, desfocagem ou inclinação, além de interpretação de estrutura documental. Num problema digitalizado, peça primeiro uma transcrição e depois uma solução; isto torna visível um sinal ou rótulo mal lido antes de alterar o raciocínio.
Três atualizações arquiteturais suportam este trabalho visual e temporal. Interleaved-MRoPE distribui informação posicional pelo tempo, largura e altura; DeepStack introduz no modelo linguístico características visuais de vários níveis; marcas temporais explícitas em texto representam a posição temporal de grupos de fotogramas de vídeo. A relevância prática é preservar pormenor espacial e ligar a descrição de um evento a um momento da fonte. Não transformam um pormenor pequeno ou ilegível da fonte em reconhecimento garantido.
A ficha exata do modelo Thinking dá recomendações de geração separadas para tarefas visuais e textuais. Ambas usam amostragem com temperature 1.0, top-p 0.95 e top-k 20; o exemplo visual usa penalização de presença 0.0, enquanto o textual usa 1.5. As definições de comprimento de saída dos exemplos são 40,960 para trabalho visual e 32,768 para texto, sugerindo 81,920 para avaliações textuais exigentes selecionadas. São recomendações de ajuste, não uma garantia universal de saída máxima nem parâmetros necessariamente expostos por um serviço envolvente.
Numa tarefa documental prática, forneça imagens ordenadas de páginas e peça: «Extraia os títulos das secções, explique a relação entre o diagrama e o texto adjacente e associe uma referência de página a cada conclusão.» Para vídeo, defina o evento a localizar e peça o respetivo tempo com uma explicação visual breve. Numa pergunta de raciocínio visual, indique o artefacto final exigido e os pressupostos permitidos. A saída continua a ser uma explicação textual, conteúdo extraído, código ou etapa proposta de ferramenta; a entrada visual desta edição não é um fluxo de geração de vídeo ou fala.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites Qwen/Qwen3-VL-8B-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 $0.000144 / 1K tokens Saída · Tokens de saída $0.00143 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "Qwen/Qwen3-VL-8B-Thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-8B-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-8B-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-8B-Thinking
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Reason about a written interface layout\n\nUse this textual layout description: a dialog contains a title at the top, a long message in the middle and Cancel/Confirm buttons at the bottom. On a short screen, only the message area should scroll; both buttons must stay visible. Propose HTML and CSS structure and explain the height constraints. Do not assume an image was supplied.An editable HTML/CSS proposal and a short explanation of which region scrolls.Check the proposed structure limits message overflow while keeping both actions outside that scroll area.