Instruct-varianten 235B-A22B
Qwen3-VL-235B-A22B-Instruct är den instruktionsinriktade medlemmen i Qwen3-VL med mixture-of-experts-arkitektur. Den tar emot text, bilder och video och genererar text, inklusive kod eller en begärd dokumentartefakt. Bevara just denna Instruct-variant i stället för att tilldela den en Thinking-modellversions svarskontrakt eller en annan storleks recept. En användbar uppgift ger modellen en konkret fråga och ett resultat som går att jämföra med de tillhandahållna beläggen.
Visuella agenter och kodning
Tillverkaren beskriver arbetsflöden för visuella agenter som känner igen gränssnittselement, förstår deras funktioner och anropar verktyg för uppgifter på datorer eller mobiler. Tillhandahåll en skärmbild och ett mål och be sedan om den relevanta kontrollen och de belägg som stöder valet. Den anslutna applikationen utför åtgärder och tillhandahåller resultat; att känna igen ett gränssnitt styr inte i sig en enhet.
Visuell kodning omfattar diagraminnehåll och HTML, CSS eller JavaScript som produceras från bilder eller video. Tillhandahåll layoutreferensen, funktionskraven och det redigerbara resultat som krävs. För en ändring av en befintlig sida ska du inkludera relevant källkod och interaktionstillstånd. Be om artefakten separat från förklaringen så att den kan renderas och granskas i ett utvecklingsflöde. Genererad källkod förblir ett förslag, inte ett bevis på en fungerande applikation.
Rumslig perception och långt material
Qwen dokumenterar bedömningar av positioner, synvinklar och skymda delar, inklusive förankring i två dimensioner och stöd för förankring i tre dimensioner. Identifiera de objekt och den relation som är viktiga och fråga sedan vilka synliga ledtrådar som stöder slutsatsen. En bildbaserad relation bör inte behandlas som en kalibrerad fysisk mätning.
Den inbyggda kontexten är 262,144 token. Familjens beskrivning omfattar böcker och timslånga videor, med indexering av händelser på sekundnivå och utökning till ungefär en miljon token genom konfiguration. Bevara tidsangivelser och källidentifierare när du ber om en händelseredogörelse. Representation och sampling avgör vilket material som ingår i begäran; en stor kontext är ingen garanti för perfekt återgivning av varje sida eller bildruta ur minnet.
Resonemang, igenkänning och OCR
Familjen stöder visuella STEM-frågor samt matematiska, kausala och logiska visuella frågor. Ge hela problemformuleringen och diagrametiketterna och be modellen identifiera de värden eller relationer som används före slutsatsen. Text och syn kombineras, så en fråga kan koppla ett stycke till dess figur och användarens instruktioner.
Igenkänningen omfattar människor, produkter, landmärken, växter, djur och mediefigurer. OCR omfattar 32 språk och är inriktat på svagt ljus, oskärpa och lutning, inklusive fackterminologi och strukturen i långa dokument. Tillhandahåll läsbara sidor och be om namngivna fält, citat eller en tabell som går att kontrollera mot bilden. Dessa tillämpningar återspeglar den dokumenterade omfattningen och garanterar inte exakt identifiering, transkription eller beräkning.
Arkitekturuppdateringar
Den publicerade textkonfigurationen med mixture-of-experts-arkitektur har 94 lager, 128 experter och åtta experter valda per token. Interleaved-MRoPE representerar tid, bredd och höjd för videoresonemang. DeepStack kombinerar visuella egenskaper från flera kodarnivåer, och koppling mellan text och tidsstämplar förankrar händelser i tidsreferenser. Använd denna Instruct-variant 235B-A22B konsekvent när du förbereder visuella uppgifter och jämför deras resultat.
Förbereda visuella indata
Familjens exempel omfattar begäranden med enbart text, en eller flera bilder samt video. Märk visuella indata och ange hur de hör ihop. Pixelbudgetarna för bilder och video är separata, medan uttryckliga bildmått anpassas till multiplar av 32. Det dokumenterade standardvärdet för video är två bildrutor per sekund, med kontroller för frekvens eller antal bildrutor där detta stöds. Bevara videometadata och undvik att ändra storleken två gånger när hjälpfunktionen redan har storleksanpassat materialet.
För flera dokumentsidor ska du ordna svaret efter sidetikett och be om stödjande fält eller textavsnitt. För ett klipp ska du be om den relevanta händelsen, tidsintervallet och synliga belägg. Jämför det returnerade händelseintervallet och de stödjande detaljerna med originalklippet och dess tidsangivelser.
Vägledning för generering och gränser
Modellversionens genereringsfil har standardvärdena temperature 0.7, top_p 0.8, top_k 20 och repetition penalty 1.0. Familjens Instruct-recept använder dessutom presence penalty 1.5 och en utmatningsbudget på 32,768 token. Den budgeten är producentens receptbudget, inte en oberoende fastställd hård utmatningsgräns. De uppgiftsspecifika budgetarna i modellkortet för 8B och Thinking-variantens förinställningar förblir separata.
Familjens kontextutökning använder YaRN och föreslår en faktor på två eller tre när det sammanflätade positionsschemat går från 256K till omkring 1M. Reservera svarsutrymme vid sidan av text och representerat visuellt material och verifiera citat, extraherade tal och genererad kod mot källan. Det användbara resultatet är en konkret textartefakt med dess stödjande visuella belägg och exakta Instruct-identitet bevarade.
", "aboutText": "Instruct-varianten 235B-A22B\n\nQwen3-VL-235B-A22B-Instruct är den instruktionsinriktade medlemmen i Qwen3-VL med mixture-of-experts-arkitektur. Den tar emot text, bilder och video och genererar text, inklusive kod eller en begärd dokumentartefakt. Bevara just denna Instruct-variant i stället för att tilldela den en Thinking-modellversions svarskontrakt eller en annan storleks recept. En användbar uppgift ger modellen en konkret fråga och ett resultat som går att jämföra med de tillhandahållna beläggen.\n\nVisuella agenter och kodning\n\nTillverkaren beskriver arbetsflöden för visuella agenter som känner igen gränssnittselement, förstår deras funktioner och anropar verktyg för uppgifter på datorer eller mobiler. Tillhandahåll en skärmbild och ett mål och be sedan om den relevanta kontrollen och de belägg som stöder valet. Den anslutna applikationen utför åtgärder och tillhandahåller resultat; att känna igen ett gränssnitt styr inte i sig en enhet.\n\nVisuell kodning omfattar diagraminnehåll och HTML, CSS eller JavaScript som produceras från bilder eller video. Tillhandahåll layoutreferensen, funktionskraven och det redigerbara resultat som krävs. För en ändring av en befintlig sida ska du inkludera relevant källkod och interaktionstillstånd. Be om artefakten separat från förklaringen så att den kan renderas och granskas i ett utvecklingsflöde. Genererad källkod förblir ett förslag, inte ett bevis på en fungerande applikation.\n\nRumslig perception och långt material\n\nQwen dokumenterar bedömningar av positioner, synvinklar och skymda delar, inklusive förankring i två dimensioner och stöd för förankring i tre dimensioner. Identifiera de objekt och den relation som är viktiga och fråga sedan vilka synliga ledtrådar som stöder slutsatsen. En bildbaserad relation bör inte behandlas som en kalibrerad fysisk mätning.\n\nDen inbyggda kontexten är 262,144 token. Familjens beskrivning omfattar böcker och timslånga videor, med indexering av händelser på sekundnivå och utökning till ungefär en miljon token genom konfiguration. Bevara tidsangivelser och källidentifierare när du ber om en händelseredogörelse. Representation och sampling avgör vilket material som ingår i begäran; en stor kontext är ingen garanti för perfekt återgivning av varje sida eller bildruta ur minnet.\n\nResonemang, igenkänning och OCR\n\nFamiljen stöder visuella STEM-frågor samt matematiska, kausala och logiska visuella frågor. Ge hela problemformuleringen och diagrametiketterna och be modellen identifiera de värden eller relationer som används före slutsatsen. Text och syn kombineras, så en fråga kan koppla ett stycke till dess figur och användarens instruktioner.\n\nIgenkänningen omfattar människor, produkter, landmärken, växter, djur och mediefigurer. OCR omfattar 32 språk och är inriktat på svagt ljus, oskärpa och lutning, inklusive fackterminologi och strukturen i långa dokument. Tillhandahåll läsbara sidor och be om namngivna fält, citat eller en tabell som går att kontrollera mot bilden. Dessa tillämpningar återspeglar den dokumenterade omfattningen och garanterar inte exakt identifiering, transkription eller beräkning.\n\nArkitekturuppdateringar\n\nDen publicerade textkonfigurationen med mixture-of-experts-arkitektur har 94 lager, 128 experter och åtta experter valda per token. Interleaved-MRoPE representerar tid, bredd och höjd för videoresonemang. DeepStack kombinerar visuella egenskaper från flera kodarnivåer, och koppling mellan text och tidsstämplar förankrar händelser i tidsreferenser. Använd denna Instruct-variant 235B-A22B konsekvent när du förbereder visuella uppgifter och jämför deras resultat.\n\nFörbereda visuella indata\n\nFamiljens exempel omfattar begäranden med enbart text, en eller flera bilder samt video. Märk visuella indata och ange hur de hör ihop. Pixelbudgetarna för bilder och video är separata, medan uttryckliga bildmått anpassas till multiplar av 32. Det dokumenterade standardvärdet för video är två bildrutor per sekund, med kontroller för frekvens eller antal bildrutor där detta stöds. Bevara videometadata och undvik att ändra storleken två gånger när hjälpfunktionen redan har storleksanpassat materialet.\n\nFör flera dokumentsidor ska du ordna svaret efter sidetikett och be om stödjande fält eller textavsnitt. För ett klipp ska du be om den relevanta händelsen, tidsintervallet och synliga belägg. Jämför det returnerade händelseintervallet och de stödjande detaljerna med originalklippet och dess tidsangivelser.\n\nVägledning för generering och gränser\n\nModellversionens genereringsfil har standardvärdena temperature 0.7, top_p 0.8, top_k 20 och repetition penalty 1.0. Familjens Instruct-recept använder dessutom presence penalty 1.5 och en utmatningsbudget på 32,768 token. Den budgeten är producentens receptbudget, inte en oberoende fastställd hård utmatningsgräns. De uppgiftsspecifika budgetarna i modellkortet för 8B och Thinking-variantens förinställningar förblir separata.\n\nFamiljens kontextutökning använder YaRN och föreslår en faktor på två eller tre när det sammanflätade positionsschemat går från 256K till omkring 1M. Reservera svarsutrymme vid sidan av text och representerat visuellt material och verifiera citat, extraherade tal och genererad kod mot källan. Det användbara resultatet är en konkret textartefakt med dess stödjande visuella belägg och exakta Instruct-identitet bevarade.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Translate a layout description to HTML\n\nCreate a semantic HTML fragment from this text layout specification: a product section contains heading "Travel mug", a paragraph "350 ml, steel", and a list of features "Sealed lid" and "Hand wash". Return editable HTML only, with no scripts or styles. Preserve exact wording and use a heading, paragraph and unordered list.One semantic HTML fragment using the requested heading, paragraph and two-item list.Inspect the element hierarchy and exact text; do not add a product image or unprovided features.qwen/qwen3-vl-235b-a22b-instructQwen3-VL-235B-A22B-Instruct är Qwens instruktionsinriktade expertblandningsutgåva för bild och språk, avsedd för text, bilder och video. Den returnerar text eller kod för visuella flöden, dokument, rumsliga frågor och STEM-uppgifter, med OCR på 32 språk och en inbyggd kontext på 262,144 token.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Instruct-varianten 235B-A22B
Qwen3-VL-235B-A22B-Instruct är den instruktionsinriktade medlemmen i Qwen3-VL med mixture-of-experts-arkitektur. Den tar emot text, bilder och video och genererar text, inklusive kod eller en begärd dokumentartefakt. Bevara just denna Instruct-variant i stället för att tilldela den en Thinking-modellversions svarskontrakt eller en annan storleks recept. En användbar uppgift ger modellen en konkret fråga och ett resultat som går att jämföra med de tillhandahållna beläggen.
Visuella agenter och kodning
Tillverkaren beskriver arbetsflöden för visuella agenter som känner igen gränssnittselement, förstår deras funktioner och anropar verktyg för uppgifter på datorer eller mobiler. Tillhandahåll en skärmbild och ett mål och be sedan om den relevanta kontrollen och de belägg som stöder valet. Den anslutna applikationen utför åtgärder och tillhandahåller resultat; att känna igen ett gränssnitt styr inte i sig en enhet.
Visuell kodning omfattar diagraminnehåll och HTML, CSS eller JavaScript som produceras från bilder eller video. Tillhandahåll layoutreferensen, funktionskraven och det redigerbara resultat som krävs. För en ändring av en befintlig sida ska du inkludera relevant källkod och interaktionstillstånd. Be om artefakten separat från förklaringen så att den kan renderas och granskas i ett utvecklingsflöde. Genererad källkod förblir ett förslag, inte ett bevis på en fungerande applikation.
Rumslig perception och långt material
Qwen dokumenterar bedömningar av positioner, synvinklar och skymda delar, inklusive förankring i två dimensioner och stöd för förankring i tre dimensioner. Identifiera de objekt och den relation som är viktiga och fråga sedan vilka synliga ledtrådar som stöder slutsatsen. En bildbaserad relation bör inte behandlas som en kalibrerad fysisk mätning.
Den inbyggda kontexten är 262,144 token. Familjens beskrivning omfattar böcker och timslånga videor, med indexering av händelser på sekundnivå och utökning till ungefär en miljon token genom konfiguration. Bevara tidsangivelser och källidentifierare när du ber om en händelseredogörelse. Representation och sampling avgör vilket material som ingår i begäran; en stor kontext är ingen garanti för perfekt återgivning av varje sida eller bildruta ur minnet.
Resonemang, igenkänning och OCR
Familjen stöder visuella STEM-frågor samt matematiska, kausala och logiska visuella frågor. Ge hela problemformuleringen och diagrametiketterna och be modellen identifiera de värden eller relationer som används före slutsatsen. Text och syn kombineras, så en fråga kan koppla ett stycke till dess figur och användarens instruktioner.
Igenkänningen omfattar människor, produkter, landmärken, växter, djur och mediefigurer. OCR omfattar 32 språk och är inriktat på svagt ljus, oskärpa och lutning, inklusive fackterminologi och strukturen i långa dokument. Tillhandahåll läsbara sidor och be om namngivna fält, citat eller en tabell som går att kontrollera mot bilden. Dessa tillämpningar återspeglar den dokumenterade omfattningen och garanterar inte exakt identifiering, transkription eller beräkning.
Arkitekturuppdateringar
Den publicerade textkonfigurationen med mixture-of-experts-arkitektur har 94 lager, 128 experter och åtta experter valda per token. Interleaved-MRoPE representerar tid, bredd och höjd för videoresonemang. DeepStack kombinerar visuella egenskaper från flera kodarnivåer, och koppling mellan text och tidsstämplar förankrar händelser i tidsreferenser. Använd denna Instruct-variant 235B-A22B konsekvent när du förbereder visuella uppgifter och jämför deras resultat.
Förbereda visuella indata
Familjens exempel omfattar begäranden med enbart text, en eller flera bilder samt video. Märk visuella indata och ange hur de hör ihop. Pixelbudgetarna för bilder och video är separata, medan uttryckliga bildmått anpassas till multiplar av 32. Det dokumenterade standardvärdet för video är två bildrutor per sekund, med kontroller för frekvens eller antal bildrutor där detta stöds. Bevara videometadata och undvik att ändra storleken två gånger när hjälpfunktionen redan har storleksanpassat materialet.
För flera dokumentsidor ska du ordna svaret efter sidetikett och be om stödjande fält eller textavsnitt. För ett klipp ska du be om den relevanta händelsen, tidsintervallet och synliga belägg. Jämför det returnerade händelseintervallet och de stödjande detaljerna med originalklippet och dess tidsangivelser.
Vägledning för generering och gränser
Modellversionens genereringsfil har standardvärdena temperature 0.7, top_p 0.8, top_k 20 och repetition penalty 1.0. Familjens Instruct-recept använder dessutom presence penalty 1.5 och en utmatningsbudget på 32,768 token. Den budgeten är producentens receptbudget, inte en oberoende fastställd hård utmatningsgräns. De uppgiftsspecifika budgetarna i modellkortet för 8B och Thinking-variantens förinställningar förblir separata.
Familjens kontextutökning använder YaRN och föreslår en faktor på två eller tre när det sammanflätade positionsschemat går från 256K till omkring 1M. Reservera svarsutrymme vid sidan av text och representerat visuellt material och verifiera citat, extraherade tal och genererad kod mot källan. Det användbara resultatet är en konkret textartefakt med dess stödjande visuella belägg och exakta Instruct-identitet bevarade.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3-vl-235b-a22b-instruct | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.000572 / 1K token Utdata · Utdatatoken $0.0038 / 1K token Indata · Cacheläsning $0.0002 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.000572 / 1K token Utdata · Utdatatoken $0.0038 / 1K token Indata · Cacheläsning $0.0002 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${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-instruct", "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-235b-a22b-instruct',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-235b-a22b-instruct',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 eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra qwen/qwen3-vl-235b-a22b-instruct
Använd metodsökvägarna som visas ovan.
qwen/qwen3-vl-235b-a22b-instructQwen3-VL-235B-A22B-Instruct är Qwens instruktionsinriktade expertblandningsutgåva för bild och språk, avsedd för text, bilder och video. Den returnerar text eller kod för visuella flöden, dokument, rumsliga frågor och STEM-uppgifter, med OCR på 32 språk och en inbyggd kontext på 262,144 token.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Instruct-varianten 235B-A22B
Qwen3-VL-235B-A22B-Instruct är den instruktionsinriktade medlemmen i Qwen3-VL med mixture-of-experts-arkitektur. Den tar emot text, bilder och video och genererar text, inklusive kod eller en begärd dokumentartefakt. Bevara just denna Instruct-variant i stället för att tilldela den en Thinking-modellversions svarskontrakt eller en annan storleks recept. En användbar uppgift ger modellen en konkret fråga och ett resultat som går att jämföra med de tillhandahållna beläggen.
Visuella agenter och kodning
Tillverkaren beskriver arbetsflöden för visuella agenter som känner igen gränssnittselement, förstår deras funktioner och anropar verktyg för uppgifter på datorer eller mobiler. Tillhandahåll en skärmbild och ett mål och be sedan om den relevanta kontrollen och de belägg som stöder valet. Den anslutna applikationen utför åtgärder och tillhandahåller resultat; att känna igen ett gränssnitt styr inte i sig en enhet.
Visuell kodning omfattar diagraminnehåll och HTML, CSS eller JavaScript som produceras från bilder eller video. Tillhandahåll layoutreferensen, funktionskraven och det redigerbara resultat som krävs. För en ändring av en befintlig sida ska du inkludera relevant källkod och interaktionstillstånd. Be om artefakten separat från förklaringen så att den kan renderas och granskas i ett utvecklingsflöde. Genererad källkod förblir ett förslag, inte ett bevis på en fungerande applikation.
Rumslig perception och långt material
Qwen dokumenterar bedömningar av positioner, synvinklar och skymda delar, inklusive förankring i två dimensioner och stöd för förankring i tre dimensioner. Identifiera de objekt och den relation som är viktiga och fråga sedan vilka synliga ledtrådar som stöder slutsatsen. En bildbaserad relation bör inte behandlas som en kalibrerad fysisk mätning.
Den inbyggda kontexten är 262,144 token. Familjens beskrivning omfattar böcker och timslånga videor, med indexering av händelser på sekundnivå och utökning till ungefär en miljon token genom konfiguration. Bevara tidsangivelser och källidentifierare när du ber om en händelseredogörelse. Representation och sampling avgör vilket material som ingår i begäran; en stor kontext är ingen garanti för perfekt återgivning av varje sida eller bildruta ur minnet.
Resonemang, igenkänning och OCR
Familjen stöder visuella STEM-frågor samt matematiska, kausala och logiska visuella frågor. Ge hela problemformuleringen och diagrametiketterna och be modellen identifiera de värden eller relationer som används före slutsatsen. Text och syn kombineras, så en fråga kan koppla ett stycke till dess figur och användarens instruktioner.
Igenkänningen omfattar människor, produkter, landmärken, växter, djur och mediefigurer. OCR omfattar 32 språk och är inriktat på svagt ljus, oskärpa och lutning, inklusive fackterminologi och strukturen i långa dokument. Tillhandahåll läsbara sidor och be om namngivna fält, citat eller en tabell som går att kontrollera mot bilden. Dessa tillämpningar återspeglar den dokumenterade omfattningen och garanterar inte exakt identifiering, transkription eller beräkning.
Arkitekturuppdateringar
Den publicerade textkonfigurationen med mixture-of-experts-arkitektur har 94 lager, 128 experter och åtta experter valda per token. Interleaved-MRoPE representerar tid, bredd och höjd för videoresonemang. DeepStack kombinerar visuella egenskaper från flera kodarnivåer, och koppling mellan text och tidsstämplar förankrar händelser i tidsreferenser. Använd denna Instruct-variant 235B-A22B konsekvent när du förbereder visuella uppgifter och jämför deras resultat.
Förbereda visuella indata
Familjens exempel omfattar begäranden med enbart text, en eller flera bilder samt video. Märk visuella indata och ange hur de hör ihop. Pixelbudgetarna för bilder och video är separata, medan uttryckliga bildmått anpassas till multiplar av 32. Det dokumenterade standardvärdet för video är två bildrutor per sekund, med kontroller för frekvens eller antal bildrutor där detta stöds. Bevara videometadata och undvik att ändra storleken två gånger när hjälpfunktionen redan har storleksanpassat materialet.
För flera dokumentsidor ska du ordna svaret efter sidetikett och be om stödjande fält eller textavsnitt. För ett klipp ska du be om den relevanta händelsen, tidsintervallet och synliga belägg. Jämför det returnerade händelseintervallet och de stödjande detaljerna med originalklippet och dess tidsangivelser.
Vägledning för generering och gränser
Modellversionens genereringsfil har standardvärdena temperature 0.7, top_p 0.8, top_k 20 och repetition penalty 1.0. Familjens Instruct-recept använder dessutom presence penalty 1.5 och en utmatningsbudget på 32,768 token. Den budgeten är producentens receptbudget, inte en oberoende fastställd hård utmatningsgräns. De uppgiftsspecifika budgetarna i modellkortet för 8B och Thinking-variantens förinställningar förblir separata.
Familjens kontextutökning använder YaRN och föreslår en faktor på två eller tre när det sammanflätade positionsschemat går från 256K till omkring 1M. Reservera svarsutrymme vid sidan av text och representerat visuellt material och verifiera citat, extraherade tal och genererad kod mot källan. Det användbara resultatet är en konkret textartefakt med dess stödjande visuella belägg och exakta Instruct-identitet bevarade.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3-vl-235b-a22b-instruct | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.000572 / 1K token Utdata · Utdatatoken $0.0038 / 1K token Indata · Cacheläsning $0.0002 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.000572 / 1K token Utdata · Utdatatoken $0.0038 / 1K token Indata · Cacheläsning $0.0002 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen/qwen3-vl-235b-a22b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-instruct', '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-instruct', '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 eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra qwen/qwen3-vl-235b-a22b-instruct
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Translate a layout description to HTML\n\nCreate a semantic HTML fragment from this text layout specification: a product section contains heading "Travel mug", a paragraph "350 ml, steel", and a list of features "Sealed lid" and "Hand wash". Return editable HTML only, with no scripts or styles. Preserve exact wording and use a heading, paragraph and unordered list.One semantic HTML fragment using the requested heading, paragraph and two-item list.Inspect the element hierarchy and exact text; do not add a product image or unprovided features.