Introduktion: den multimodala Thinking-utgåvan
Qwen3-VL-235B-A22B-Thinking är den resonemangsinriktade mixture-of-experts-utgåvan av Qwen3-VL. Den kombinerar text med bilder och video och producerar textsvar eller kod. Den fasta Thinking-kontrollpunkten är skild från Qwen3-VL-235B-A22B-Instruct och de separat namngivna FP8-byggena. Välj den för en fråga som kräver att visuella belägg kopplas till en längre förklaring i stället för att anta att varje Qwen3-VL-utgåva har samma svarsstil.
Visuella agenter och visuell kodning
Qwen beskriver ett arbetsflöde för visuella agenter som känner igen element i dator- eller mobilgränssnitt, tolkar deras funktioner och arbetar med verktyg för att slutföra uppgifter. Modellen tillhandahåller perception och resonemang; en applikation måste koppla in och utföra åtgärderna. För en gränssnittsgranskning lämnar du den aktuella skärmbilden och ett specifikt mål och ber modellen identifiera relevanta kontroller och förklara nästa åtgärd. Bilden i sig ger ingen kontroll över enheten.
Visuell kodning omfattar att generera diagraminnehåll och HTML, CSS eller JavaScript från bilder och videor. Lämna en skärmbild med den layout, det beteende och det redigerbara utdataformat som krävs. Be om sidstrukturen och stilarna som separata leveranser när det underlättar granskning. Genererad kod är text för ett utvecklingsarbetsflöde; den är inget belägg för att en webbplats har renderats eller att källbilden har blivit en fungerande applikation.
Rumslig perception
Tillverkaren dokumenterar resonemang om objekts positioner, betraktningsvinklar och skymningar, med tvådimensionell förankring och stöd för tredimensionell förankring. Ställ en konkret fråga om ett samband och identifiera objektet av intresse: till exempel vilken komponent som är skymd, vad som finns framför den och vilka visuella ledtrådar som stöder den tolkningen. Förankringsförmågan ska inte behandlas som en kalibrerad fysisk mätning utifrån en godtycklig bild.
Lång kontext och video
Den ursprungliga kontexten är 262 144 token. Qwen beskriver utökning till ungefär en miljon genom YaRN-konfiguration och familjearbetsflöden som omfattar böcker eller timslång video med händelseindexering på sekundnivå. Förmågorna beror på representation, bildrutesampling och kontextkonfiguration; tillverkarens breda beskrivning garanterar inte perfekt återgivning ur minnet av varje bildruta. I kodarkivet rekommenderar Qwen en extrapolationsfaktor på två eller tre för detta sammanflätade positionsschema när 256K utökas till ungefär 1M, i stället för att automatiskt kopiera en faktor på fyra från en annan modell.
Multimodalt resonemang och igenkänning
Thinking-utgåvan riktar sig till beläggsbaserat STEM- och matematiskt resonemang, kausal analys och logiska svar som kopplar text till visuellt material. Lämna ett diagram och dess definitioner tillsammans, eller ett diagram och den exakta numeriska frågan. Begär de etiketter och värden som används före slutsatsen. Qwen beskriver också bredare visuell igenkänning av människor, anime, produkter, landmärken, växter och djur. Ett igenkänningssvar är fortfarande en slutsats från den tillförda bilden, ingen garanti för att varje objekt eller identitet kan namnges.
OCR omfattar 32 språk och är utformad för att förbättra läsning i svagt ljus, vid oskärpa eller lutning, inklusive specialiserat ordförråd och struktur i långa dokument. Behåll läsbara källbilder och be om fält, citat eller en strukturerad tabell som går att kontrollera. Textförståelse och visuell förståelse kombineras i en modell, så en fråga kan samtidigt hänvisa till ett dokumentavsnitt, en figur och användarens instruktioner.
Arkitekturändringar
Interleaved-MRoPE fördelar positionsrepresentation över tid, bredd och höjd för videoresonemang. DeepStack kombinerar visuella egenskaper från flera kodarnivåer för att fånga finare detaljer och förbättra överensstämmelsen mellan bild och text. Anpassning mellan text och tidsstämplar förankrar händelser i tidsreferenser. Den släppta textkonfigurationen har 94 lager, 128 experter och åtta experter valda per token. Dessa arkitekturdetaljer förklarar modellens multimodala representation; de fastställer ingen garanti för svarstid.
Förbered visuella indata och utdata
Tillverkarens exempel omfattar enskilda eller flera bilder, video och rena textbegäranden. Märk varje visuellt indata så att frågan kan hänvisa till det tydligt. Bild- och videoprocessorer använder separata pixelbudgetar: en bildbudget begränsar bildens pixlar, medan en videobudget räknar pixlar över de samplade bildrutorna. Uttryckliga bilddimensioner anpassas till multiplar av 32. Videosampling kan styras med frekvens eller antal bildrutor; den dokumenterade standarden är två bildrutor per sekund. Bevara tidsstämplar när du ber om en händelsetidslinje.
För ett långt klipp ber du om händelsen, dess tidsintervall och de synliga beläggen i stället för en odifferentierad sammanfattning. För flera sidor begär du ett resultat ordnat efter sididentifierare. Dessa förberedelseexempel tillämpar de dokumenterade förmågorna och hjälper till att göra utelämnanden eller extraktionsfel synliga.
Genereringsvägledning och gränser
Kontrollpunktens genereringsfil har standardvärdena temperatur 0,8, top_p 0.95 och top_k 20. Qwens separata Thinking-utvärderingsrecept använder temperatur 0,6, presence penalty noll, repetition penalty 1.0 och ett utrymme för utdata på 40 960 token. Detta är olika producentförval, inte en enda hård utdatagräns. Lämna plats för resonemang och sluttext tillsammans med de visuella token och verifiera extraherad text, beräknade svar och genererad kod mot källan innan du använder dem.
", "aboutText": "Introduktion: den multimodala Thinking-utgåvan\n\nQwen3-VL-235B-A22B-Thinking är den resonemangsinriktade mixture-of-experts-utgåvan av Qwen3-VL. Den kombinerar text med bilder och video och producerar textsvar eller kod. Den fasta Thinking-kontrollpunkten är skild från Qwen3-VL-235B-A22B-Instruct och de separat namngivna FP8-byggena. Välj den för en fråga som kräver att visuella belägg kopplas till en längre förklaring i stället för att anta att varje Qwen3-VL-utgåva har samma svarsstil.\n\nVisuella agenter och visuell kodning\n\nQwen beskriver ett arbetsflöde för visuella agenter som känner igen element i dator- eller mobilgränssnitt, tolkar deras funktioner och arbetar med verktyg för att slutföra uppgifter. Modellen tillhandahåller perception och resonemang; en applikation måste koppla in och utföra åtgärderna. För en gränssnittsgranskning lämnar du den aktuella skärmbilden och ett specifikt mål och ber modellen identifiera relevanta kontroller och förklara nästa åtgärd. Bilden i sig ger ingen kontroll över enheten.\n\nVisuell kodning omfattar att generera diagraminnehåll och HTML, CSS eller JavaScript från bilder och videor. Lämna en skärmbild med den layout, det beteende och det redigerbara utdataformat som krävs. Be om sidstrukturen och stilarna som separata leveranser när det underlättar granskning. Genererad kod är text för ett utvecklingsarbetsflöde; den är inget belägg för att en webbplats har renderats eller att källbilden har blivit en fungerande applikation.\n\nRumslig perception\n\nTillverkaren dokumenterar resonemang om objekts positioner, betraktningsvinklar och skymningar, med tvådimensionell förankring och stöd för tredimensionell förankring. Ställ en konkret fråga om ett samband och identifiera objektet av intresse: till exempel vilken komponent som är skymd, vad som finns framför den och vilka visuella ledtrådar som stöder den tolkningen. Förankringsförmågan ska inte behandlas som en kalibrerad fysisk mätning utifrån en godtycklig bild.\n\nLång kontext och video\n\nDen ursprungliga kontexten är 262 144 token. Qwen beskriver utökning till ungefär en miljon genom YaRN-konfiguration och familjearbetsflöden som omfattar böcker eller timslång video med händelseindexering på sekundnivå. Förmågorna beror på representation, bildrutesampling och kontextkonfiguration; tillverkarens breda beskrivning garanterar inte perfekt återgivning ur minnet av varje bildruta. I kodarkivet rekommenderar Qwen en extrapolationsfaktor på två eller tre för detta sammanflätade positionsschema när 256K utökas till ungefär 1M, i stället för att automatiskt kopiera en faktor på fyra från en annan modell.\n\nMultimodalt resonemang och igenkänning\n\nThinking-utgåvan riktar sig till beläggsbaserat STEM- och matematiskt resonemang, kausal analys och logiska svar som kopplar text till visuellt material. Lämna ett diagram och dess definitioner tillsammans, eller ett diagram och den exakta numeriska frågan. Begär de etiketter och värden som används före slutsatsen. Qwen beskriver också bredare visuell igenkänning av människor, anime, produkter, landmärken, växter och djur. Ett igenkänningssvar är fortfarande en slutsats från den tillförda bilden, ingen garanti för att varje objekt eller identitet kan namnges.\n\nOCR omfattar 32 språk och är utformad för att förbättra läsning i svagt ljus, vid oskärpa eller lutning, inklusive specialiserat ordförråd och struktur i långa dokument. Behåll läsbara källbilder och be om fält, citat eller en strukturerad tabell som går att kontrollera. Textförståelse och visuell förståelse kombineras i en modell, så en fråga kan samtidigt hänvisa till ett dokumentavsnitt, en figur och användarens instruktioner.\n\nArkitekturändringar\n\nInterleaved-MRoPE fördelar positionsrepresentation över tid, bredd och höjd för videoresonemang. DeepStack kombinerar visuella egenskaper från flera kodarnivåer för att fånga finare detaljer och förbättra överensstämmelsen mellan bild och text. Anpassning mellan text och tidsstämplar förankrar händelser i tidsreferenser. Den släppta textkonfigurationen har 94 lager, 128 experter och åtta experter valda per token. Dessa arkitekturdetaljer förklarar modellens multimodala representation; de fastställer ingen garanti för svarstid.\n\nFörbered visuella indata och utdata\n\nTillverkarens exempel omfattar enskilda eller flera bilder, video och rena textbegäranden. Märk varje visuellt indata så att frågan kan hänvisa till det tydligt. Bild- och videoprocessorer använder separata pixelbudgetar: en bildbudget begränsar bildens pixlar, medan en videobudget räknar pixlar över de samplade bildrutorna. Uttryckliga bilddimensioner anpassas till multiplar av 32. Videosampling kan styras med frekvens eller antal bildrutor; den dokumenterade standarden är två bildrutor per sekund. Bevara tidsstämplar när du ber om en händelsetidslinje.\n\nFör ett långt klipp ber du om händelsen, dess tidsintervall och de synliga beläggen i stället för en odifferentierad sammanfattning. För flera sidor begär du ett resultat ordnat efter sididentifierare. Dessa förberedelseexempel tillämpar de dokumenterade förmågorna och hjälper till att göra utelämnanden eller extraktionsfel synliga.\n\nGenereringsvägledning och gränser\n\nKontrollpunktens genereringsfil har standardvärdena temperatur 0,8, top_p 0.95 och top_k 20. Qwens separata Thinking-utvärderingsrecept använder temperatur 0,6, presence penalty noll, repetition penalty 1.0 och ett utrymme för utdata på 40 960 token. Detta är olika producentförval, inte en enda hård utdatagräns. Lämna plats för resonemang och sluttext tillsammans med de visuella token och verifiera extraherad text, beräknade svar och genererad kod mot källan innan du använder dem.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Reason from a textual circuit description\n\nUse this textual circuit description: an ideal 12 V source powers two series resistors, R1 = 2 Ω and R2 = 4 Ω. Calculate total resistance, current and voltage across each resistor. State the ideal-component assumptions and verify that the voltage drops sum to the source voltage. Return a compact worked solution using the labels R1 and R2.A labeled worked calculation and a voltage-sum consistency check.The same series current is used for both resistors and the stated voltage drops sum to 12 V.qwen/qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking är Qwens mixture-of-experts-modell för bild och språk med resonemang om text, bilder och video. Använd Thinking-utgåvan för STEM-frågor, dokumentbelägg, rumsliga samband, visuell kodning och tidsstämplad videoanalys, med en ursprunglig kontext på 262 144 token.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Introduktion: den multimodala Thinking-utgåvan
Qwen3-VL-235B-A22B-Thinking är den resonemangsinriktade mixture-of-experts-utgåvan av Qwen3-VL. Den kombinerar text med bilder och video och producerar textsvar eller kod. Den fasta Thinking-kontrollpunkten är skild från Qwen3-VL-235B-A22B-Instruct och de separat namngivna FP8-byggena. Välj den för en fråga som kräver att visuella belägg kopplas till en längre förklaring i stället för att anta att varje Qwen3-VL-utgåva har samma svarsstil.
Visuella agenter och visuell kodning
Qwen beskriver ett arbetsflöde för visuella agenter som känner igen element i dator- eller mobilgränssnitt, tolkar deras funktioner och arbetar med verktyg för att slutföra uppgifter. Modellen tillhandahåller perception och resonemang; en applikation måste koppla in och utföra åtgärderna. För en gränssnittsgranskning lämnar du den aktuella skärmbilden och ett specifikt mål och ber modellen identifiera relevanta kontroller och förklara nästa åtgärd. Bilden i sig ger ingen kontroll över enheten.
Visuell kodning omfattar att generera diagraminnehåll och HTML, CSS eller JavaScript från bilder och videor. Lämna en skärmbild med den layout, det beteende och det redigerbara utdataformat som krävs. Be om sidstrukturen och stilarna som separata leveranser när det underlättar granskning. Genererad kod är text för ett utvecklingsarbetsflöde; den är inget belägg för att en webbplats har renderats eller att källbilden har blivit en fungerande applikation.
Rumslig perception
Tillverkaren dokumenterar resonemang om objekts positioner, betraktningsvinklar och skymningar, med tvådimensionell förankring och stöd för tredimensionell förankring. Ställ en konkret fråga om ett samband och identifiera objektet av intresse: till exempel vilken komponent som är skymd, vad som finns framför den och vilka visuella ledtrådar som stöder den tolkningen. Förankringsförmågan ska inte behandlas som en kalibrerad fysisk mätning utifrån en godtycklig bild.
Lång kontext och video
Den ursprungliga kontexten är 262 144 token. Qwen beskriver utökning till ungefär en miljon genom YaRN-konfiguration och familjearbetsflöden som omfattar böcker eller timslång video med händelseindexering på sekundnivå. Förmågorna beror på representation, bildrutesampling och kontextkonfiguration; tillverkarens breda beskrivning garanterar inte perfekt återgivning ur minnet av varje bildruta. I kodarkivet rekommenderar Qwen en extrapolationsfaktor på två eller tre för detta sammanflätade positionsschema när 256K utökas till ungefär 1M, i stället för att automatiskt kopiera en faktor på fyra från en annan modell.
Multimodalt resonemang och igenkänning
Thinking-utgåvan riktar sig till beläggsbaserat STEM- och matematiskt resonemang, kausal analys och logiska svar som kopplar text till visuellt material. Lämna ett diagram och dess definitioner tillsammans, eller ett diagram och den exakta numeriska frågan. Begär de etiketter och värden som används före slutsatsen. Qwen beskriver också bredare visuell igenkänning av människor, anime, produkter, landmärken, växter och djur. Ett igenkänningssvar är fortfarande en slutsats från den tillförda bilden, ingen garanti för att varje objekt eller identitet kan namnges.
OCR omfattar 32 språk och är utformad för att förbättra läsning i svagt ljus, vid oskärpa eller lutning, inklusive specialiserat ordförråd och struktur i långa dokument. Behåll läsbara källbilder och be om fält, citat eller en strukturerad tabell som går att kontrollera. Textförståelse och visuell förståelse kombineras i en modell, så en fråga kan samtidigt hänvisa till ett dokumentavsnitt, en figur och användarens instruktioner.
Arkitekturändringar
Interleaved-MRoPE fördelar positionsrepresentation över tid, bredd och höjd för videoresonemang. DeepStack kombinerar visuella egenskaper från flera kodarnivåer för att fånga finare detaljer och förbättra överensstämmelsen mellan bild och text. Anpassning mellan text och tidsstämplar förankrar händelser i tidsreferenser. Den släppta textkonfigurationen har 94 lager, 128 experter och åtta experter valda per token. Dessa arkitekturdetaljer förklarar modellens multimodala representation; de fastställer ingen garanti för svarstid.
Förbered visuella indata och utdata
Tillverkarens exempel omfattar enskilda eller flera bilder, video och rena textbegäranden. Märk varje visuellt indata så att frågan kan hänvisa till det tydligt. Bild- och videoprocessorer använder separata pixelbudgetar: en bildbudget begränsar bildens pixlar, medan en videobudget räknar pixlar över de samplade bildrutorna. Uttryckliga bilddimensioner anpassas till multiplar av 32. Videosampling kan styras med frekvens eller antal bildrutor; den dokumenterade standarden är två bildrutor per sekund. Bevara tidsstämplar när du ber om en händelsetidslinje.
För ett långt klipp ber du om händelsen, dess tidsintervall och de synliga beläggen i stället för en odifferentierad sammanfattning. För flera sidor begär du ett resultat ordnat efter sididentifierare. Dessa förberedelseexempel tillämpar de dokumenterade förmågorna och hjälper till att göra utelämnanden eller extraktionsfel synliga.
Genereringsvägledning och gränser
Kontrollpunktens genereringsfil har standardvärdena temperatur 0,8, top_p 0.95 och top_k 20. Qwens separata Thinking-utvärderingsrecept använder temperatur 0,6, presence penalty noll, repetition penalty 1.0 och ett utrymme för utdata på 40 960 token. Detta är olika producentförval, inte en enda hård utdatagräns. Lämna plats för resonemang och sluttext tillsammans med de visuella token och verifiera extraherad text, beräknade svar och genererad kod mot källan innan du använder dem.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3-vl-235b-a22b-thinking | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Beror på modellen | Standard— |
Fältmessages[].content | Typstring | KravValfritt | Värden & gränser Gäller när: Textsamtal | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
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 |
Parametercontrol_scope | AvtalTextsamtal; stream är ett booleskt värde och har false som standard. |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Metodalias: /chat/completions
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.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.000572 / 1K token Utdata · Utdatatoken $0.00572 / 1K token Indata · Cacheläsning $0 / 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-thinking","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="qwen/qwen3-vl-235b-a22b-thinking", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 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-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
qwen/qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking är Qwens mixture-of-experts-modell för bild och språk med resonemang om text, bilder och video. Använd Thinking-utgåvan för STEM-frågor, dokumentbelägg, rumsliga samband, visuell kodning och tidsstämplad videoanalys, med en ursprunglig kontext på 262 144 token.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Introduktion: den multimodala Thinking-utgåvan
Qwen3-VL-235B-A22B-Thinking är den resonemangsinriktade mixture-of-experts-utgåvan av Qwen3-VL. Den kombinerar text med bilder och video och producerar textsvar eller kod. Den fasta Thinking-kontrollpunkten är skild från Qwen3-VL-235B-A22B-Instruct och de separat namngivna FP8-byggena. Välj den för en fråga som kräver att visuella belägg kopplas till en längre förklaring i stället för att anta att varje Qwen3-VL-utgåva har samma svarsstil.
Visuella agenter och visuell kodning
Qwen beskriver ett arbetsflöde för visuella agenter som känner igen element i dator- eller mobilgränssnitt, tolkar deras funktioner och arbetar med verktyg för att slutföra uppgifter. Modellen tillhandahåller perception och resonemang; en applikation måste koppla in och utföra åtgärderna. För en gränssnittsgranskning lämnar du den aktuella skärmbilden och ett specifikt mål och ber modellen identifiera relevanta kontroller och förklara nästa åtgärd. Bilden i sig ger ingen kontroll över enheten.
Visuell kodning omfattar att generera diagraminnehåll och HTML, CSS eller JavaScript från bilder och videor. Lämna en skärmbild med den layout, det beteende och det redigerbara utdataformat som krävs. Be om sidstrukturen och stilarna som separata leveranser när det underlättar granskning. Genererad kod är text för ett utvecklingsarbetsflöde; den är inget belägg för att en webbplats har renderats eller att källbilden har blivit en fungerande applikation.
Rumslig perception
Tillverkaren dokumenterar resonemang om objekts positioner, betraktningsvinklar och skymningar, med tvådimensionell förankring och stöd för tredimensionell förankring. Ställ en konkret fråga om ett samband och identifiera objektet av intresse: till exempel vilken komponent som är skymd, vad som finns framför den och vilka visuella ledtrådar som stöder den tolkningen. Förankringsförmågan ska inte behandlas som en kalibrerad fysisk mätning utifrån en godtycklig bild.
Lång kontext och video
Den ursprungliga kontexten är 262 144 token. Qwen beskriver utökning till ungefär en miljon genom YaRN-konfiguration och familjearbetsflöden som omfattar böcker eller timslång video med händelseindexering på sekundnivå. Förmågorna beror på representation, bildrutesampling och kontextkonfiguration; tillverkarens breda beskrivning garanterar inte perfekt återgivning ur minnet av varje bildruta. I kodarkivet rekommenderar Qwen en extrapolationsfaktor på två eller tre för detta sammanflätade positionsschema när 256K utökas till ungefär 1M, i stället för att automatiskt kopiera en faktor på fyra från en annan modell.
Multimodalt resonemang och igenkänning
Thinking-utgåvan riktar sig till beläggsbaserat STEM- och matematiskt resonemang, kausal analys och logiska svar som kopplar text till visuellt material. Lämna ett diagram och dess definitioner tillsammans, eller ett diagram och den exakta numeriska frågan. Begär de etiketter och värden som används före slutsatsen. Qwen beskriver också bredare visuell igenkänning av människor, anime, produkter, landmärken, växter och djur. Ett igenkänningssvar är fortfarande en slutsats från den tillförda bilden, ingen garanti för att varje objekt eller identitet kan namnges.
OCR omfattar 32 språk och är utformad för att förbättra läsning i svagt ljus, vid oskärpa eller lutning, inklusive specialiserat ordförråd och struktur i långa dokument. Behåll läsbara källbilder och be om fält, citat eller en strukturerad tabell som går att kontrollera. Textförståelse och visuell förståelse kombineras i en modell, så en fråga kan samtidigt hänvisa till ett dokumentavsnitt, en figur och användarens instruktioner.
Arkitekturändringar
Interleaved-MRoPE fördelar positionsrepresentation över tid, bredd och höjd för videoresonemang. DeepStack kombinerar visuella egenskaper från flera kodarnivåer för att fånga finare detaljer och förbättra överensstämmelsen mellan bild och text. Anpassning mellan text och tidsstämplar förankrar händelser i tidsreferenser. Den släppta textkonfigurationen har 94 lager, 128 experter och åtta experter valda per token. Dessa arkitekturdetaljer förklarar modellens multimodala representation; de fastställer ingen garanti för svarstid.
Förbered visuella indata och utdata
Tillverkarens exempel omfattar enskilda eller flera bilder, video och rena textbegäranden. Märk varje visuellt indata så att frågan kan hänvisa till det tydligt. Bild- och videoprocessorer använder separata pixelbudgetar: en bildbudget begränsar bildens pixlar, medan en videobudget räknar pixlar över de samplade bildrutorna. Uttryckliga bilddimensioner anpassas till multiplar av 32. Videosampling kan styras med frekvens eller antal bildrutor; den dokumenterade standarden är två bildrutor per sekund. Bevara tidsstämplar när du ber om en händelsetidslinje.
För ett långt klipp ber du om händelsen, dess tidsintervall och de synliga beläggen i stället för en odifferentierad sammanfattning. För flera sidor begär du ett resultat ordnat efter sididentifierare. Dessa förberedelseexempel tillämpar de dokumenterade förmågorna och hjälper till att göra utelämnanden eller extraktionsfel synliga.
Genereringsvägledning och gränser
Kontrollpunktens genereringsfil har standardvärdena temperatur 0,8, top_p 0.95 och top_k 20. Qwens separata Thinking-utvärderingsrecept använder temperatur 0,6, presence penalty noll, repetition penalty 1.0 och ett utrymme för utdata på 40 960 token. Detta är olika producentförval, inte en enda hård utdatagräns. Lämna plats för resonemang och sluttext tillsammans med de visuella token och verifiera extraherad text, beräknade svar och genererad kod mot källan innan du använder dem.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3-vl-235b-a22b-thinking | 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.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.000572 / 1K token Utdata · Utdatatoken $0.00572 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen/qwen3-vl-235b-a22b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-235b-a22b-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-235b-a22b-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking är Qwens mixture-of-experts-modell för bild och språk med resonemang om text, bilder och video. Använd Thinking-utgåvan för STEM-frågor, dokumentbelägg, rumsliga samband, visuell kodning och tidsstämplad videoanalys, med en ursprunglig kontext på 262 144 token.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Introduktion: den multimodala Thinking-utgåvan
Qwen3-VL-235B-A22B-Thinking är den resonemangsinriktade mixture-of-experts-utgåvan av Qwen3-VL. Den kombinerar text med bilder och video och producerar textsvar eller kod. Den fasta Thinking-kontrollpunkten är skild från Qwen3-VL-235B-A22B-Instruct och de separat namngivna FP8-byggena. Välj den för en fråga som kräver att visuella belägg kopplas till en längre förklaring i stället för att anta att varje Qwen3-VL-utgåva har samma svarsstil.
Visuella agenter och visuell kodning
Qwen beskriver ett arbetsflöde för visuella agenter som känner igen element i dator- eller mobilgränssnitt, tolkar deras funktioner och arbetar med verktyg för att slutföra uppgifter. Modellen tillhandahåller perception och resonemang; en applikation måste koppla in och utföra åtgärderna. För en gränssnittsgranskning lämnar du den aktuella skärmbilden och ett specifikt mål och ber modellen identifiera relevanta kontroller och förklara nästa åtgärd. Bilden i sig ger ingen kontroll över enheten.
Visuell kodning omfattar att generera diagraminnehåll och HTML, CSS eller JavaScript från bilder och videor. Lämna en skärmbild med den layout, det beteende och det redigerbara utdataformat som krävs. Be om sidstrukturen och stilarna som separata leveranser när det underlättar granskning. Genererad kod är text för ett utvecklingsarbetsflöde; den är inget belägg för att en webbplats har renderats eller att källbilden har blivit en fungerande applikation.
Rumslig perception
Tillverkaren dokumenterar resonemang om objekts positioner, betraktningsvinklar och skymningar, med tvådimensionell förankring och stöd för tredimensionell förankring. Ställ en konkret fråga om ett samband och identifiera objektet av intresse: till exempel vilken komponent som är skymd, vad som finns framför den och vilka visuella ledtrådar som stöder den tolkningen. Förankringsförmågan ska inte behandlas som en kalibrerad fysisk mätning utifrån en godtycklig bild.
Lång kontext och video
Den ursprungliga kontexten är 262 144 token. Qwen beskriver utökning till ungefär en miljon genom YaRN-konfiguration och familjearbetsflöden som omfattar böcker eller timslång video med händelseindexering på sekundnivå. Förmågorna beror på representation, bildrutesampling och kontextkonfiguration; tillverkarens breda beskrivning garanterar inte perfekt återgivning ur minnet av varje bildruta. I kodarkivet rekommenderar Qwen en extrapolationsfaktor på två eller tre för detta sammanflätade positionsschema när 256K utökas till ungefär 1M, i stället för att automatiskt kopiera en faktor på fyra från en annan modell.
Multimodalt resonemang och igenkänning
Thinking-utgåvan riktar sig till beläggsbaserat STEM- och matematiskt resonemang, kausal analys och logiska svar som kopplar text till visuellt material. Lämna ett diagram och dess definitioner tillsammans, eller ett diagram och den exakta numeriska frågan. Begär de etiketter och värden som används före slutsatsen. Qwen beskriver också bredare visuell igenkänning av människor, anime, produkter, landmärken, växter och djur. Ett igenkänningssvar är fortfarande en slutsats från den tillförda bilden, ingen garanti för att varje objekt eller identitet kan namnges.
OCR omfattar 32 språk och är utformad för att förbättra läsning i svagt ljus, vid oskärpa eller lutning, inklusive specialiserat ordförråd och struktur i långa dokument. Behåll läsbara källbilder och be om fält, citat eller en strukturerad tabell som går att kontrollera. Textförståelse och visuell förståelse kombineras i en modell, så en fråga kan samtidigt hänvisa till ett dokumentavsnitt, en figur och användarens instruktioner.
Arkitekturändringar
Interleaved-MRoPE fördelar positionsrepresentation över tid, bredd och höjd för videoresonemang. DeepStack kombinerar visuella egenskaper från flera kodarnivåer för att fånga finare detaljer och förbättra överensstämmelsen mellan bild och text. Anpassning mellan text och tidsstämplar förankrar händelser i tidsreferenser. Den släppta textkonfigurationen har 94 lager, 128 experter och åtta experter valda per token. Dessa arkitekturdetaljer förklarar modellens multimodala representation; de fastställer ingen garanti för svarstid.
Förbered visuella indata och utdata
Tillverkarens exempel omfattar enskilda eller flera bilder, video och rena textbegäranden. Märk varje visuellt indata så att frågan kan hänvisa till det tydligt. Bild- och videoprocessorer använder separata pixelbudgetar: en bildbudget begränsar bildens pixlar, medan en videobudget räknar pixlar över de samplade bildrutorna. Uttryckliga bilddimensioner anpassas till multiplar av 32. Videosampling kan styras med frekvens eller antal bildrutor; den dokumenterade standarden är två bildrutor per sekund. Bevara tidsstämplar när du ber om en händelsetidslinje.
För ett långt klipp ber du om händelsen, dess tidsintervall och de synliga beläggen i stället för en odifferentierad sammanfattning. För flera sidor begär du ett resultat ordnat efter sididentifierare. Dessa förberedelseexempel tillämpar de dokumenterade förmågorna och hjälper till att göra utelämnanden eller extraktionsfel synliga.
Genereringsvägledning och gränser
Kontrollpunktens genereringsfil har standardvärdena temperatur 0,8, top_p 0.95 och top_k 20. Qwens separata Thinking-utvärderingsrecept använder temperatur 0,6, presence penalty noll, repetition penalty 1.0 och ett utrymme för utdata på 40 960 token. Detta är olika producentförval, inte en enda hård utdatagräns. Lämna plats för resonemang och sluttext tillsammans med de visuella token och verifiera extraherad text, beräknade svar och genererad kod mot källan innan du använder dem.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen3-vl-235b-a22b-thinking | 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.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.000572 / 1K token Utdata · Utdatatoken $0.00572 / 1K token Indata · Cacheläsning $0 / 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": "qwen3-vl-235b-a22b-thinking", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen3-vl-235b-a22b-thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen3-vl-235b-a22b-thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking är Qwens mixture-of-experts-modell för bild och språk med resonemang om text, bilder och video. Använd Thinking-utgåvan för STEM-frågor, dokumentbelägg, rumsliga samband, visuell kodning och tidsstämplad videoanalys, med en ursprunglig kontext på 262 144 token.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Introduktion: den multimodala Thinking-utgåvan
Qwen3-VL-235B-A22B-Thinking är den resonemangsinriktade mixture-of-experts-utgåvan av Qwen3-VL. Den kombinerar text med bilder och video och producerar textsvar eller kod. Den fasta Thinking-kontrollpunkten är skild från Qwen3-VL-235B-A22B-Instruct och de separat namngivna FP8-byggena. Välj den för en fråga som kräver att visuella belägg kopplas till en längre förklaring i stället för att anta att varje Qwen3-VL-utgåva har samma svarsstil.
Visuella agenter och visuell kodning
Qwen beskriver ett arbetsflöde för visuella agenter som känner igen element i dator- eller mobilgränssnitt, tolkar deras funktioner och arbetar med verktyg för att slutföra uppgifter. Modellen tillhandahåller perception och resonemang; en applikation måste koppla in och utföra åtgärderna. För en gränssnittsgranskning lämnar du den aktuella skärmbilden och ett specifikt mål och ber modellen identifiera relevanta kontroller och förklara nästa åtgärd. Bilden i sig ger ingen kontroll över enheten.
Visuell kodning omfattar att generera diagraminnehåll och HTML, CSS eller JavaScript från bilder och videor. Lämna en skärmbild med den layout, det beteende och det redigerbara utdataformat som krävs. Be om sidstrukturen och stilarna som separata leveranser när det underlättar granskning. Genererad kod är text för ett utvecklingsarbetsflöde; den är inget belägg för att en webbplats har renderats eller att källbilden har blivit en fungerande applikation.
Rumslig perception
Tillverkaren dokumenterar resonemang om objekts positioner, betraktningsvinklar och skymningar, med tvådimensionell förankring och stöd för tredimensionell förankring. Ställ en konkret fråga om ett samband och identifiera objektet av intresse: till exempel vilken komponent som är skymd, vad som finns framför den och vilka visuella ledtrådar som stöder den tolkningen. Förankringsförmågan ska inte behandlas som en kalibrerad fysisk mätning utifrån en godtycklig bild.
Lång kontext och video
Den ursprungliga kontexten är 262 144 token. Qwen beskriver utökning till ungefär en miljon genom YaRN-konfiguration och familjearbetsflöden som omfattar böcker eller timslång video med händelseindexering på sekundnivå. Förmågorna beror på representation, bildrutesampling och kontextkonfiguration; tillverkarens breda beskrivning garanterar inte perfekt återgivning ur minnet av varje bildruta. I kodarkivet rekommenderar Qwen en extrapolationsfaktor på två eller tre för detta sammanflätade positionsschema när 256K utökas till ungefär 1M, i stället för att automatiskt kopiera en faktor på fyra från en annan modell.
Multimodalt resonemang och igenkänning
Thinking-utgåvan riktar sig till beläggsbaserat STEM- och matematiskt resonemang, kausal analys och logiska svar som kopplar text till visuellt material. Lämna ett diagram och dess definitioner tillsammans, eller ett diagram och den exakta numeriska frågan. Begär de etiketter och värden som används före slutsatsen. Qwen beskriver också bredare visuell igenkänning av människor, anime, produkter, landmärken, växter och djur. Ett igenkänningssvar är fortfarande en slutsats från den tillförda bilden, ingen garanti för att varje objekt eller identitet kan namnges.
OCR omfattar 32 språk och är utformad för att förbättra läsning i svagt ljus, vid oskärpa eller lutning, inklusive specialiserat ordförråd och struktur i långa dokument. Behåll läsbara källbilder och be om fält, citat eller en strukturerad tabell som går att kontrollera. Textförståelse och visuell förståelse kombineras i en modell, så en fråga kan samtidigt hänvisa till ett dokumentavsnitt, en figur och användarens instruktioner.
Arkitekturändringar
Interleaved-MRoPE fördelar positionsrepresentation över tid, bredd och höjd för videoresonemang. DeepStack kombinerar visuella egenskaper från flera kodarnivåer för att fånga finare detaljer och förbättra överensstämmelsen mellan bild och text. Anpassning mellan text och tidsstämplar förankrar händelser i tidsreferenser. Den släppta textkonfigurationen har 94 lager, 128 experter och åtta experter valda per token. Dessa arkitekturdetaljer förklarar modellens multimodala representation; de fastställer ingen garanti för svarstid.
Förbered visuella indata och utdata
Tillverkarens exempel omfattar enskilda eller flera bilder, video och rena textbegäranden. Märk varje visuellt indata så att frågan kan hänvisa till det tydligt. Bild- och videoprocessorer använder separata pixelbudgetar: en bildbudget begränsar bildens pixlar, medan en videobudget räknar pixlar över de samplade bildrutorna. Uttryckliga bilddimensioner anpassas till multiplar av 32. Videosampling kan styras med frekvens eller antal bildrutor; den dokumenterade standarden är två bildrutor per sekund. Bevara tidsstämplar när du ber om en händelsetidslinje.
För ett långt klipp ber du om händelsen, dess tidsintervall och de synliga beläggen i stället för en odifferentierad sammanfattning. För flera sidor begär du ett resultat ordnat efter sididentifierare. Dessa förberedelseexempel tillämpar de dokumenterade förmågorna och hjälper till att göra utelämnanden eller extraktionsfel synliga.
Genereringsvägledning och gränser
Kontrollpunktens genereringsfil har standardvärdena temperatur 0,8, top_p 0.95 och top_k 20. Qwens separata Thinking-utvärderingsrecept använder temperatur 0,6, presence penalty noll, repetition penalty 1.0 och ett utrymme för utdata på 40 960 token. Detta är olika producentförval, inte en enda hård utdatagräns. Lämna plats för resonemang och sluttext tillsammans med de visuella token och verifiera extraherad text, beräknade svar och genererad kod mot källan innan du använder dem.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen3-vl-235b-a22b-thinking | 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.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.000572 / 1K token Utdata · Utdatatoken $0.00572 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen3-vl-235b-a22b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3-vl-235b-a22b-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3-vl-235b-a22b-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
Tekniskt exempel på engelska
Reason from a textual circuit description\n\nUse this textual circuit description: an ideal 12 V source powers two series resistors, R1 = 2 Ω and R2 = 4 Ω. Calculate total resistance, current and voltage across each resistor. State the ideal-component assumptions and verify that the voltage drops sum to the source voltage. Return a compact worked solution using the labels R1 and R2.A labeled worked calculation and a voltage-sum consistency check.The same series current is used for both resistors and the stated voltage drops sum to 12 V.