Qwen3-Omni-30B-A3B-Thinking — ориентированный на рассуждения представитель Qwen3-Omni. Он понимает текст, изображения, аудио и видео, в том числе их сочетания в одной беседе, и выдаёт текстовый результат. Именно версия Thinking содержит компонент Thinker и предназначена для рассуждений; она не включает Talker, используемый для речевого вывода в контрольной точке Instruct. Это различие важно при выборе модели для аналитического отчёта, а не голосового разговора.
Производитель описывает Qwen3-Omni как многоязычное семейство со смесью экспертов, поддерживающее 119 языков текста и 19 языков речевого ввода. Русский присутствует в опубликованном списке языков речевого ввода. Точная конфигурация Thinking включает 48 слоёв текстового трансформера, 128 экспертов и выбор восьми экспертов на токен. В ней также есть компоненты обработки аудио и визуальных данных. Это характеристики названной контрольной точки; её мультимодальное понимание не следует подменять возможностями исключительно текстовой модели Qwen3 с похожим обозначением размера.
Практические руководства охватывают распознавание и перевод речи, анализ музыки и звуков окружающей среды, смешанное аудио, вопросы по изображениям, OCR, привязку объектов, описания видео и аудиовизуальные вопросы. Для математических задач по изображениям отдельно выделяется версия Thinking. Для задачи по геометрии предоставьте полную схему, читаемые обозначения и вопрос, затем запросите решение, отделяющее видимые исходные данные от предположений. Для записанной демонстрации укажите действие или несоответствие, которое требуется исследовать, и запросите наблюдения, связанные с соответствующими частями материала. Ожидаемым результатом может быть письменное решение, структурированный список наблюдений или объяснение того, что подтверждают данные.
Подготовьте входные данные как мультимодальную беседу с соответствующим процессором и шаблоном чата. Инструментарий обработки производителя работает с чередованием текста, изображений, аудио и видео. Qwen описывает потоковые текстовые ответы как часть организации взаимодействия семейства и демонстрирует пакетную обработку смешанных медиаданных с результатом только в виде текста. В каждом раунде диалога производитель рекомендует явную текстовую инструкцию наряду с медиа. Видео без пояснения оставляет задачу неоднозначной: укажите, нужно ли обобщить действия, сравнить две сцены, объяснить звук или решить показанную задачу. Помечайте несколько входных материалов и связи между ними, чтобы итоговый текст связывал нужный вопрос с нужным материалом.
Для видео, содержащего речь или звуки событий, решите, является ли его аудио частью задачи. В документированном процессе use_audio_in_video согласованно используется при предварительной обработке и генерации, а карточка предупреждает, что изменение этой настройки между раундами диалога может привести к неожиданным результатам. Поэтому вопрос только о сцене и аудиовизуальный вопрос требуют разной подготовки. Сохраняйте доступ к исходному клипу, выбирайте соответствующий интервал и не исключайте звуковую дорожку, если запрошенный вывод зависит от сказанного или услышанного.
Опубликованная текстовая конфигурация задаёт max_position_embeddings равным 65,536. Примеры vLLM в карточке отдельно используют длину последовательности модели 32,768 токенов и бюджет генерации 16,384 токена. Они показывают пример настроек выполнения модели, а не единый универсальный предел длины её вывода. Медиа представляются через процессор, поэтому размер запроса не сводится к числу набранных символов. Резервируйте место для текстового результата и используйте ограниченный фрагмент источника, если длинная запись содержит лишь короткое событие, относящееся к вопросу.
Производитель демонстрирует процессы на Transformers и vLLM, где поддержка процессора и декодирование медиа являются явными зависимостями. Общая карточка также документирует различия интерфейсов, включая раздельную обработку видео и аудио в примере обслуживания запросов. Выбирайте точную контрольную точку Thinking и поддерживаемый для неё путь обработки, вместо того чтобы предполагать одинаковое поведение вывода во всех примерах карточки семейства. Голоса синтеза речи и настройки Talker на этой странице относятся к Instruct, а не к этой модели только с Thinker.
Для полезного итогового результата запросите объяснение, основанное на данных, и чётко отделённый вывод. В визуальной задаче сохраняйте единицы измерения, символы и обозначения; в аудио отличайте слышимое содержимое от предполагаемого источника; в видео отделяйте наблюдаемые действия от интерпретации намерений. Проверяйте результат по предоставленному материалу и явно отмечайте неопределённые или нечитаемые детали. Текстовый ответ модели может поддерживать анализ или последующий шаг приложения, тогда как выполнение действий с помощью инструментов, подтверждение фактов или преобразование медиа остаются отдельными операциями, которым нужны собственные входные данные и результат.
", "aboutText": "Qwen3-Omni-30B-A3B-Thinking — ориентированный на рассуждения представитель Qwen3-Omni. Он понимает текст, изображения, аудио и видео, в том числе их сочетания в одной беседе, и выдаёт текстовый результат. Именно версия Thinking содержит компонент Thinker и предназначена для рассуждений; она не включает Talker, используемый для речевого вывода в контрольной точке Instruct. Это различие важно при выборе модели для аналитического отчёта, а не голосового разговора.\n\nПроизводитель описывает Qwen3-Omni как многоязычное семейство со смесью экспертов, поддерживающее 119 языков текста и 19 языков речевого ввода. Русский присутствует в опубликованном списке языков речевого ввода. Точная конфигурация Thinking включает 48 слоёв текстового трансформера, 128 экспертов и выбор восьми экспертов на токен. В ней также есть компоненты обработки аудио и визуальных данных. Это характеристики названной контрольной точки; её мультимодальное понимание не следует подменять возможностями исключительно текстовой модели Qwen3 с похожим обозначением размера.\n\nПрактические руководства охватывают распознавание и перевод речи, анализ музыки и звуков окружающей среды, смешанное аудио, вопросы по изображениям, OCR, привязку объектов, описания видео и аудиовизуальные вопросы. Для математических задач по изображениям отдельно выделяется версия Thinking. Для задачи по геометрии предоставьте полную схему, читаемые обозначения и вопрос, затем запросите решение, отделяющее видимые исходные данные от предположений. Для записанной демонстрации укажите действие или несоответствие, которое требуется исследовать, и запросите наблюдения, связанные с соответствующими частями материала. Ожидаемым результатом может быть письменное решение, структурированный список наблюдений или объяснение того, что подтверждают данные.\n\nПодготовьте входные данные как мультимодальную беседу с соответствующим процессором и шаблоном чата. Инструментарий обработки производителя работает с чередованием текста, изображений, аудио и видео. Qwen описывает потоковые текстовые ответы как часть организации взаимодействия семейства и демонстрирует пакетную обработку смешанных медиаданных с результатом только в виде текста. В каждом раунде диалога производитель рекомендует явную текстовую инструкцию наряду с медиа. Видео без пояснения оставляет задачу неоднозначной: укажите, нужно ли обобщить действия, сравнить две сцены, объяснить звук или решить показанную задачу. Помечайте несколько входных материалов и связи между ними, чтобы итоговый текст связывал нужный вопрос с нужным материалом.\n\nДля видео, содержащего речь или звуки событий, решите, является ли его аудио частью задачи. В документированном процессе use_audio_in_video согласованно используется при предварительной обработке и генерации, а карточка предупреждает, что изменение этой настройки между раундами диалога может привести к неожиданным результатам. Поэтому вопрос только о сцене и аудиовизуальный вопрос требуют разной подготовки. Сохраняйте доступ к исходному клипу, выбирайте соответствующий интервал и не исключайте звуковую дорожку, если запрошенный вывод зависит от сказанного или услышанного.\n\nОпубликованная текстовая конфигурация задаёт max_position_embeddings равным 65,536. Примеры vLLM в карточке отдельно используют длину последовательности модели 32,768 токенов и бюджет генерации 16,384 токена. Они показывают пример настроек выполнения модели, а не единый универсальный предел длины её вывода. Медиа представляются через процессор, поэтому размер запроса не сводится к числу набранных символов. Резервируйте место для текстового результата и используйте ограниченный фрагмент источника, если длинная запись содержит лишь короткое событие, относящееся к вопросу.\n\nПроизводитель демонстрирует процессы на Transformers и vLLM, где поддержка процессора и декодирование медиа являются явными зависимостями. Общая карточка также документирует различия интерфейсов, включая раздельную обработку видео и аудио в примере обслуживания запросов. Выбирайте точную контрольную точку Thinking и поддерживаемый для неё путь обработки, вместо того чтобы предполагать одинаковое поведение вывода во всех примерах карточки семейства. Голоса синтеза речи и настройки Talker на этой странице относятся к Instruct, а не к этой модели только с Thinker.\n\nДля полезного итогового результата запросите объяснение, основанное на данных, и чётко отделённый вывод. В визуальной задаче сохраняйте единицы измерения, символы и обозначения; в аудио отличайте слышимое содержимое от предполагаемого источника; в видео отделяйте наблюдаемые действия от интерпретации намерений. Проверяйте результат по предоставленному материалу и явно отмечайте неопределённые или нечитаемые детали. Текстовый ответ модели может поддерживать анализ или последующий шаг приложения, тогда как выполнение действий с помощью инструментов, подтверждение фактов или преобразование медиа остаются отдельными операциями, которым нужны собственные входные данные и результат.", "editorialOverlay": { "copy_fields": { "practical_html": "Технический пример на английском
Reconcile demonstration annotations\n\nAnalyze these supplied text annotations of a demonstration. T0 visual note: valve indicator reads Closed. T1 speech transcript: "I am opening the valve now." T2 visual note: indicator still reads Closed; valve mechanism is off camera. State what each source establishes, whether successful opening is confirmed and what evidence would resolve the discrepancy.An evidence table separating visual notes from quoted speech, followed by a conclusion and one verification need.Check that a spoken intention is not treated as proof of the off-camera action or a faulty indicator.Qwen/Qwen3-Omni-30B-A3B-ThinkingQwen3-Omni-30B-A3B-Thinking рассуждает по тексту, изображениям, аудио и видео и возвращает текст. Эта версия только с компонентом Thinker подходит для визуальных математических задач, анализа аудио и вопросов, требующих данных из нескольких модальностей; генерация речи относится к другому выпуску Omni.
Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.
Qwen3-Omni-30B-A3B-Thinking — ориентированный на рассуждения представитель Qwen3-Omni. Он понимает текст, изображения, аудио и видео, в том числе их сочетания в одной беседе, и выдаёт текстовый результат. Именно версия Thinking содержит компонент Thinker и предназначена для рассуждений; она не включает Talker, используемый для речевого вывода в контрольной точке Instruct. Это различие важно при выборе модели для аналитического отчёта, а не голосового разговора.
Производитель описывает Qwen3-Omni как многоязычное семейство со смесью экспертов, поддерживающее 119 языков текста и 19 языков речевого ввода. Русский присутствует в опубликованном списке языков речевого ввода. Точная конфигурация Thinking включает 48 слоёв текстового трансформера, 128 экспертов и выбор восьми экспертов на токен. В ней также есть компоненты обработки аудио и визуальных данных. Это характеристики названной контрольной точки; её мультимодальное понимание не следует подменять возможностями исключительно текстовой модели Qwen3 с похожим обозначением размера.
Практические руководства охватывают распознавание и перевод речи, анализ музыки и звуков окружающей среды, смешанное аудио, вопросы по изображениям, OCR, привязку объектов, описания видео и аудиовизуальные вопросы. Для математических задач по изображениям отдельно выделяется версия Thinking. Для задачи по геометрии предоставьте полную схему, читаемые обозначения и вопрос, затем запросите решение, отделяющее видимые исходные данные от предположений. Для записанной демонстрации укажите действие или несоответствие, которое требуется исследовать, и запросите наблюдения, связанные с соответствующими частями материала. Ожидаемым результатом может быть письменное решение, структурированный список наблюдений или объяснение того, что подтверждают данные.
Подготовьте входные данные как мультимодальную беседу с соответствующим процессором и шаблоном чата. Инструментарий обработки производителя работает с чередованием текста, изображений, аудио и видео. Qwen описывает потоковые текстовые ответы как часть организации взаимодействия семейства и демонстрирует пакетную обработку смешанных медиаданных с результатом только в виде текста. В каждом раунде диалога производитель рекомендует явную текстовую инструкцию наряду с медиа. Видео без пояснения оставляет задачу неоднозначной: укажите, нужно ли обобщить действия, сравнить две сцены, объяснить звук или решить показанную задачу. Помечайте несколько входных материалов и связи между ними, чтобы итоговый текст связывал нужный вопрос с нужным материалом.
Для видео, содержащего речь или звуки событий, решите, является ли его аудио частью задачи. В документированном процессе use_audio_in_video согласованно используется при предварительной обработке и генерации, а карточка предупреждает, что изменение этой настройки между раундами диалога может привести к неожиданным результатам. Поэтому вопрос только о сцене и аудиовизуальный вопрос требуют разной подготовки. Сохраняйте доступ к исходному клипу, выбирайте соответствующий интервал и не исключайте звуковую дорожку, если запрошенный вывод зависит от сказанного или услышанного.
Опубликованная текстовая конфигурация задаёт max_position_embeddings равным 65,536. Примеры vLLM в карточке отдельно используют длину последовательности модели 32,768 токенов и бюджет генерации 16,384 токена. Они показывают пример настроек выполнения модели, а не единый универсальный предел длины её вывода. Медиа представляются через процессор, поэтому размер запроса не сводится к числу набранных символов. Резервируйте место для текстового результата и используйте ограниченный фрагмент источника, если длинная запись содержит лишь короткое событие, относящееся к вопросу.
Производитель демонстрирует процессы на Transformers и vLLM, где поддержка процессора и декодирование медиа являются явными зависимостями. Общая карточка также документирует различия интерфейсов, включая раздельную обработку видео и аудио в примере обслуживания запросов. Выбирайте точную контрольную точку Thinking и поддерживаемый для неё путь обработки, вместо того чтобы предполагать одинаковое поведение вывода во всех примерах карточки семейства. Голоса синтеза речи и настройки Talker на этой странице относятся к Instruct, а не к этой модели только с Thinker.
Для полезного итогового результата запросите объяснение, основанное на данных, и чётко отделённый вывод. В визуальной задаче сохраняйте единицы измерения, символы и обозначения; в аудио отличайте слышимое содержимое от предполагаемого источника; в видео отделяйте наблюдаемые действия от интерпретации намерений. Проверяйте результат по предоставленному материалу и явно отмечайте неопределённые или нечитаемые детали. Текстовый ответ модели может поддерживать анализ или последующий шаг приложения, тогда как выполнение действий с помощью инструментов, подтверждение фактов или преобразование медиа остаются отдельными операциями, которым нужны собственные входные данные и результат.
POST /v1/chat/completionstexttext| Поле | Тип | Требование | Значения и ограничения | По умолчанию |
|---|---|---|---|---|
Полеmodel | Типstring | ТребованиеОбязательно | Значения и ограничения Qwen/Qwen3-Omni-30B-A3B-Thinking | По умолчанию— |
Полеmessages | Типmessage[] | ТребованиеОбязательно | Значения и ограничения Минимум элементов: 1 | По умолчанию— |
Полеmessages[].role | Типstring | ТребованиеОбязательно | Значения и ограничения Примеры: system, user, assistant, tool, function Условия: Эти роли явно представлены типами совместимости исходного кода; точный набор ролей зависит от модели. Зависит от модели | По умолчанию— |
Полеmessages[].content | Типstring|content_part[]|null | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
Полеmessages[].tool_calls | Типtool_call[] | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
Полеmessages[].tool_call_id | Типstring | ТребованиеНеобязательно | Значения и ограничения Применяется, когда: role=tool; используйте фактически возвращённый ID | По умолчанию— |
Полеmessages[].name | Типstring | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
Полеmessages[].reasoning_content | Типstring | ТребованиеНеобязательно | Значения и ограничения Применяется, когда: Передавайте обратно фактически возвращённые рассуждения, если эта модель их использует | По умолчанию— |
Полеmessages[].reasoning_details | Типobject|array | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеmax_tokens | Типinteger | ТребованиеНеобязательно | Значения и ограничения Минимум: 1 Зависит от модели | По умолчанию— |
Полеmax_completion_tokens | Типinteger | ТребованиеНеобязательно | Значения и ограничения Минимум: 1 Зависит от модели | По умолчанию— |
Полеstream | Типboolean | ТребованиеНеобязательно | Значения и ограничения | По умолчаниюfalse |
Полеstream_options.include_usage | Типboolean | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеtemperature | Типnumber | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеtop_p | Типnumber | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеstop | Типstring|string[] | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеtools | Типfunction_tool[] | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеtools[].type | Типstring | ТребованиеНеобязательно | Значения и ограничения function Зависит от модели | По умолчанию— |
Полеtools[].function.name | Типstring | ТребованиеОбязательно | Значения и ограничения Применяется, когда: передан инструмент-функция | По умолчанию— |
Полеtools[].function.description | Типstring | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
Полеtools[].function.parameters | ТипJSON_schema | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
Полеtool_choice | Типstring|object | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеparallel_tool_calls | Типboolean | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеresponse_format | Типobject | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеreasoning_effort | Типstring | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеreasoning | Типobject | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеservice_tier | Типstring | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеinstructions | Типstring | ТребованиеНеобязательно | Значения и ограничения Поле совместимости | По умолчанию— |
Полеfunctions | Типfunction[] | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеfunction_call | Типstring|object | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеprompt_cache_options | Типobject | ТребованиеНеобязательно | Значения и ограничения Зависит от модели | По умолчанию— |
Полеmodalities | Типstring[] | ТребованиеНеобязательно | Значения и ограничения text | По умолчанию— |
Полеprovider | Типobject | ТребованиеНеобязательно | Значения и ограничения Условия: provider.options отклоняется на этом текстовом маршруте Ultra | По умолчанию— |
Полеcache_control.ttl | Типstring | ТребованиеНеобязательно | Значения и ограничения Условия: 1h отклоняется в фактических местах настройки кэша запросов | По умолчанию— |
Текст · Текст UTF8
messages[].content
| Параметр | Контракт |
|---|---|
Параметрcontent_type | Контрактapplication/json |
Параметрrequired | Контрактmodel, messages |
Параметрmaterial_types | Контрактtext |
Параметрmessages | Контрактмассив сообщений со структурой role/content |
Параметрfile_material | Контрактфактический документ UTF-8 вставляется как буквальный текст; ID файла не выводится из него |
Параметрoptional_controls | Контрактstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Параметрcontrol_scope | Контрактзависит от модели; пользовательские инструменты-функции отличаются от инструментов, выполняемых на стороне сервиса |
Параметрoutput_modalities | Контрактtext |
Параметрhosted_operations | Контрактfalse |
Параметрmultimodal_input_binding | Контрактnull |
Жизненный цикл: synchronous_or_streamed
Отправляйте точный ID модели вместе с messages.
Длина контекста не является пределом выхода.
Текстовый файл может передавать буквальный текст; входные изображения, аудио и файловые объекты требуют точной привязки.
Тарифная справка не добавляет режимы запроса. Поддерживаемые параметры указаны для выбранного метода.
| Конфигурация | Шкала ставок | Плата |
|---|---|---|
| КонфигурацияБазовые ставки за токены | Шкала ставокБазовая ставка | Плата Вход · Входные токены $0.0002 / 1K токенов Выход · Выходные токены $0.0008 / 1K токенов Вход · Чтение кэша $0 / 1K токенов Вход · Запись в кэш $0 / 1K токенов Вход · Запись в кэш, 1 час — / 1K токенов |
Ailoot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. Как работают резервирование и расчёт →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Qwen/Qwen3-Omni-30B-A3B-Thinking", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='Qwen/Qwen3-Omni-30B-A3B-Thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='Qwen/Qwen3-Omni-30B-A3B-Thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson или SSE
Сохраняйте каждый полностью полученный ответ, файл и элемент содержимого.
Сохраняйте каждый вариант ответа с его содержимым, вызовами инструментов и рассуждениями. В SSE собирайте изменения по индексам варианта и инструмента, сохраняйте итоговую причину завершения и данные использования.
Сохраняйте ID запросов и ответов, а также заголовки. Общий URL получения текстового задания не предоставлен.
| Поле | Тип |
|---|---|
Полеchoices[].index | Типinteger |
Полеchoices[].message.content | Типstring|null |
Полеchoices[].message.tool_calls | Типtool_call[] |
Полеchoices[].message.reasoning_content | Типstring |
Полеchoices[].message.reasoning_details | Типobject|array |
Полеchoices[].finish_reason | Типstring|null |
Полеusage | Типobject |
| Ответ | Условие | Следующий шаг |
|---|---|---|
Ответ400 · invalid_request_error | УсловиеНеверные обязательные поля, представление материалов или значение параметра | Следующий шагИсправьте указанные поля перед новым запросом на создание. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Thinking
Используйте пути методов, указанные выше.
Qwen/Qwen3-Omni-30B-A3B-ThinkingQwen3-Omni-30B-A3B-Thinking рассуждает по тексту, изображениям, аудио и видео и возвращает текст. Эта версия только с компонентом Thinker подходит для визуальных математических задач, анализа аудио и вопросов, требующих данных из нескольких модальностей; генерация речи относится к другому выпуску Omni.
Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.
Qwen3-Omni-30B-A3B-Thinking — ориентированный на рассуждения представитель Qwen3-Omni. Он понимает текст, изображения, аудио и видео, в том числе их сочетания в одной беседе, и выдаёт текстовый результат. Именно версия Thinking содержит компонент Thinker и предназначена для рассуждений; она не включает Talker, используемый для речевого вывода в контрольной точке Instruct. Это различие важно при выборе модели для аналитического отчёта, а не голосового разговора.
Производитель описывает Qwen3-Omni как многоязычное семейство со смесью экспертов, поддерживающее 119 языков текста и 19 языков речевого ввода. Русский присутствует в опубликованном списке языков речевого ввода. Точная конфигурация Thinking включает 48 слоёв текстового трансформера, 128 экспертов и выбор восьми экспертов на токен. В ней также есть компоненты обработки аудио и визуальных данных. Это характеристики названной контрольной точки; её мультимодальное понимание не следует подменять возможностями исключительно текстовой модели Qwen3 с похожим обозначением размера.
Практические руководства охватывают распознавание и перевод речи, анализ музыки и звуков окружающей среды, смешанное аудио, вопросы по изображениям, OCR, привязку объектов, описания видео и аудиовизуальные вопросы. Для математических задач по изображениям отдельно выделяется версия Thinking. Для задачи по геометрии предоставьте полную схему, читаемые обозначения и вопрос, затем запросите решение, отделяющее видимые исходные данные от предположений. Для записанной демонстрации укажите действие или несоответствие, которое требуется исследовать, и запросите наблюдения, связанные с соответствующими частями материала. Ожидаемым результатом может быть письменное решение, структурированный список наблюдений или объяснение того, что подтверждают данные.
Подготовьте входные данные как мультимодальную беседу с соответствующим процессором и шаблоном чата. Инструментарий обработки производителя работает с чередованием текста, изображений, аудио и видео. Qwen описывает потоковые текстовые ответы как часть организации взаимодействия семейства и демонстрирует пакетную обработку смешанных медиаданных с результатом только в виде текста. В каждом раунде диалога производитель рекомендует явную текстовую инструкцию наряду с медиа. Видео без пояснения оставляет задачу неоднозначной: укажите, нужно ли обобщить действия, сравнить две сцены, объяснить звук или решить показанную задачу. Помечайте несколько входных материалов и связи между ними, чтобы итоговый текст связывал нужный вопрос с нужным материалом.
Для видео, содержащего речь или звуки событий, решите, является ли его аудио частью задачи. В документированном процессе use_audio_in_video согласованно используется при предварительной обработке и генерации, а карточка предупреждает, что изменение этой настройки между раундами диалога может привести к неожиданным результатам. Поэтому вопрос только о сцене и аудиовизуальный вопрос требуют разной подготовки. Сохраняйте доступ к исходному клипу, выбирайте соответствующий интервал и не исключайте звуковую дорожку, если запрошенный вывод зависит от сказанного или услышанного.
Опубликованная текстовая конфигурация задаёт max_position_embeddings равным 65,536. Примеры vLLM в карточке отдельно используют длину последовательности модели 32,768 токенов и бюджет генерации 16,384 токена. Они показывают пример настроек выполнения модели, а не единый универсальный предел длины её вывода. Медиа представляются через процессор, поэтому размер запроса не сводится к числу набранных символов. Резервируйте место для текстового результата и используйте ограниченный фрагмент источника, если длинная запись содержит лишь короткое событие, относящееся к вопросу.
Производитель демонстрирует процессы на Transformers и vLLM, где поддержка процессора и декодирование медиа являются явными зависимостями. Общая карточка также документирует различия интерфейсов, включая раздельную обработку видео и аудио в примере обслуживания запросов. Выбирайте точную контрольную точку Thinking и поддерживаемый для неё путь обработки, вместо того чтобы предполагать одинаковое поведение вывода во всех примерах карточки семейства. Голоса синтеза речи и настройки Talker на этой странице относятся к Instruct, а не к этой модели только с Thinker.
Для полезного итогового результата запросите объяснение, основанное на данных, и чётко отделённый вывод. В визуальной задаче сохраняйте единицы измерения, символы и обозначения; в аудио отличайте слышимое содержимое от предполагаемого источника; в видео отделяйте наблюдаемые действия от интерпретации намерений. Проверяйте результат по предоставленному материалу и явно отмечайте неопределённые или нечитаемые детали. Текстовый ответ модели может поддерживать анализ или последующий шаг приложения, тогда как выполнение действий с помощью инструментов, подтверждение фактов или преобразование медиа остаются отдельными операциями, которым нужны собственные входные данные и результат.
POST /v1/messagestextjson, sse| Поле | Тип | Требование | Значения и ограничения | По умолчанию |
|---|---|---|---|---|
Полеmodel | Типstring | ТребованиеОбязательно | Значения и ограничения Qwen/Qwen3-Omni-30B-A3B-Thinking | По умолчанию— |
Полеmessages | Типmessage[] | ТребованиеОбязательно | Значения и ограничения | По умолчанию— |
Полеmessages[].role | Типstring | ТребованиеОбязательно | Значения и ограничения user, assistant | По умолчанию— |
Полеmessages[].content | Типstring | ТребованиеОбязательно | Значения и ограничения | По умолчанию— |
Полеmax_tokens | Типinteger | ТребованиеОбязательно | Значения и ограничения | По умолчанию— |
Полеstream | Типboolean | ТребованиеНеобязательно | Значения и ограничения | По умолчаниюfalse |
Текст · Текст UTF-8
строка messages[].content
| Параметр | Контракт |
|---|---|
Параметрcontent_type | Контрактapplication/json |
Параметрrequired | Контрактmodel, messages, max_tokens |
Параметрoptional_controls | Контрактstream |
Параметрmaterial_types | Контрактtext |
Параметрtext_file_material | КонтрактПрочитайте фактический документ UTF-8 и поместите его текст в указанную строку входа или содержимого сообщения. |
Жизненный цикл: synchronous_or_streamed
Тарифная справка не добавляет режимы запроса. Поддерживаемые параметры указаны для выбранного метода.
| Конфигурация | Шкала ставок | Плата |
|---|---|---|
| КонфигурацияБазовые ставки за токены | Шкала ставокБазовая ставка | Плата Вход · Входные токены $0.0002 / 1K токенов Выход · Выходные токены $0.0008 / 1K токенов Вход · Чтение кэша $0 / 1K токенов Вход · Запись в кэш $0 / 1K токенов Вход · Запись в кэш, 1 час — / 1K токенов |
Ailoot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. Как работают резервирование и расчёт →
{\n "model": "Qwen/Qwen3-Omni-30B-A3B-Thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen3-Omni-30B-A3B-Thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen3-Omni-30B-A3B-Thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON или SSE
Сохраняйте каждый полностью полученный ответ, файл и элемент содержимого.
Сохраняйте все блоки содержимого, подписи рассуждений и фактические ID обращений к инструментам. Собирайте все изменения блоков SSE; первый текстовый блок не является полным выходом.
Сохраняйте ID запросов и ответов, а также заголовки. Общий URL получения текстового задания не предоставлен.
| Поле | Тип |
|---|---|
Полеid | Типstring |
Полеmodel | Типstring |
Полеcontent[] | Типtext|thinking|tool_use|other content block |
Полеstop_reason | Типstring|null |
Полеusage | Типobject |
| Ответ | Условие | Следующий шаг |
|---|---|---|
Ответ400 · invalid_request_error | УсловиеНеверные обязательные поля, представление материалов или значение параметра | Следующий шагИсправьте указанные поля перед новым запросом на создание. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Thinking
Используйте пути методов, указанные выше.
Технический пример на английском
Reconcile demonstration annotations\n\nAnalyze these supplied text annotations of a demonstration. T0 visual note: valve indicator reads Closed. T1 speech transcript: "I am opening the valve now." T2 visual note: indicator still reads Closed; valve mechanism is off camera. State what each source establishes, whether successful opening is confirmed and what evidence would resolve the discrepancy.An evidence table separating visual notes from quoted speech, followed by a conclusion and one verification need.Check that a spoken intention is not treated as proof of the off-camera action or a faulty indicator.