Instruct-varianten 30B-A3B
Qwen3-VL-30B-A3B-Instruct är den instruktionsinriktade varianten av Qwen3-VL med mixture-of-experts-arkitektur. Den kombinerar text med bilder eller video och producerar text, inklusive kod. Bevara just denna Instruct-identitet i stället för att ersätta den med Thinking-varianten med förstärkt resonemangsförmåga eller en annan storlek inom familjen. En användbar begäran definierar de visuella beläggen, frågan och den konkreta artefakt som förväntas i svaret.
Visuella agenter och visuell kodning
Tillverkaren beskriver igenkänning av gränssnittselement på datorer eller mobiler, förståelse av deras funktioner och verktygsanrop i ett arbetsflöde för visuella agenter. Tillhandahåll skärmbilden och det avsedda målet och fråga sedan vilken synlig kontroll som motsvarar uppgiften och vad som stöder valet. Den anslutna applikationen utför åtgärder och returnerar deras resultat; visuell igenkänning i sig styr inte enheten.
Visuell kodning omfattar diagraminnehåll och HTML, CSS eller JavaScript som genereras från bilder eller video. Tillhandahåll en layoutreferens tillsammans med funktionskrav och be om redigerbar källkod. För en ändring av ett befintligt gränssnitt ska du inkludera relevant kod och förväntade interaktionstillstånd. Separera artefakten från förklaringen så att ett utvecklingsflöde kan rendera och granska den. Genererad källkod är ett förslag att granska, inte ett bevis på en fungerande applikation.
Rumslig perception, kontext och video
Qwen dokumenterar bedömningar av objekts positioner, synvinklar och skymda delar, med förankring i två dimensioner och stöd för förankring i tre dimensioner. Identifiera målet och be om de synliga ledtrådar som stöder relationen. En bildbaserad relation bör hållas åtskild från 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 omkring en miljon token genom konfiguration. Bevara tidsangivelser och bildrutornas ordning när du frågar om en sekvens. Den konfigurerade representationsbudgeten avgör vilket material som bearbetas, så familjens breda beskrivning av långa videor bör inte omvandlas till ett löfte om perfekt återgivning av varje bildruta ur minnet.
Multimodala resonemang, igenkänning och OCR
Modellen stöder visuella STEM-frågor och matematiska frågor, orsaksanalys och förklaringar grundade på belägg. Tillhandahåll hela problemformuleringen och diagrametiketterna och be modellen ange de värden som används före den slutliga slutsatsen. Familjen utökar också igenkänningen till att omfatta människor, produkter, landmärken, växter, djur och mediefigurer. Kontrollera ett identifieringsresultat när den exakta identiteten är viktig.
OCR omfattar 32 språk och är utformat för att förbättra läsning i svagt ljus, vid oskärpa eller lutning, inklusive fackterminologi och dokumentstruktur. Tillhandahåll läsbara sidor och be om fält, citat eller en tabell som går att kontrollera mot källan. Textförståelse och visuell förståelse kombineras, så frågan kan koppla ett textavsnitt till dess figur och användarens instruktioner.
Arkitektur
Den publicerade konfigurationen anger en syn- och språkmodell med mixture-of-experts-arkitektur, 48 textlager, 128 experter och åtta experter valda per token. Interleaved-MRoPE representerar tid, bredd och höjd; DeepStack kombinerar egenskaper från flera nivåer i den visuella kodaren; koppling mellan text och tidsstämplar förankrar händelser i tidsreferenser. Använd denna Instruct-variant 30B-A3B konsekvent när du förbereder visuella uppgifter och jämför deras resultat.
Förbereda indata
Familjens exempel omfattar uppgifter med enbart text, en eller flera bilder samt video. Märk visuella indata och bevara deras inbördes relation. Pixelbudgetarna för bilder och video är separata, och videobudgeten räknar pixlar över de samplade bildrutorna. Uttryckliga bildmått anpassas till multiplar av 32. Det dokumenterade standardvärdet för video är två bildrutor per sekund, med kontroller för frekvens eller antal bildrutor i arbetsflöden som stöder detta.
Mediehjälpfunktionen kan behålla videometadata och rekommenderar att undvika en andra storleksändring när den redan har storleksanpassat materialet. För en dokumentjämförelse ska du ordna svaret efter sidetikett. För ett klipp ska du be om händelsen, det relevanta tidsintervallet och stödjande belägg. Jämför returnerade fält, textavsnitt och händelsetider med de ursprungliga sidorna eller klippet.
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 maxgräns för utmatning. De separata uppgiftsbudgetarna i modellkortet för 8B Instruct bör inte automatiskt tilldelas denna variant.
Familjens utökningsprocedur använder YaRN och föreslår en faktor på två eller tre när det sammanflätade positionsschemat utökas från 256K till omkring 1M. Reservera utrymme för resultatet vid sidan av text och representerat visuellt material och verifiera OCR, beräknade slutsatser och genererad kod mot de ursprungliga beläggen. Håll Instructs genereringskontrakt åtskilt från en Thinking-modellversions inställningar; variantnamnet i sig fastställer inte någon applikationsspecifik omkopplare för hybridläge.
", "aboutText": "Instruct-varianten 30B-A3B\n\nQwen3-VL-30B-A3B-Instruct är den instruktionsinriktade varianten av Qwen3-VL med mixture-of-experts-arkitektur. Den kombinerar text med bilder eller video och producerar text, inklusive kod. Bevara just denna Instruct-identitet i stället för att ersätta den med Thinking-varianten med förstärkt resonemangsförmåga eller en annan storlek inom familjen. En användbar begäran definierar de visuella beläggen, frågan och den konkreta artefakt som förväntas i svaret.\n\nVisuella agenter och visuell kodning\n\nTillverkaren beskriver igenkänning av gränssnittselement på datorer eller mobiler, förståelse av deras funktioner och verktygsanrop i ett arbetsflöde för visuella agenter. Tillhandahåll skärmbilden och det avsedda målet och fråga sedan vilken synlig kontroll som motsvarar uppgiften och vad som stöder valet. Den anslutna applikationen utför åtgärder och returnerar deras resultat; visuell igenkänning i sig styr inte enheten.\n\nVisuell kodning omfattar diagraminnehåll och HTML, CSS eller JavaScript som genereras från bilder eller video. Tillhandahåll en layoutreferens tillsammans med funktionskrav och be om redigerbar källkod. För en ändring av ett befintligt gränssnitt ska du inkludera relevant kod och förväntade interaktionstillstånd. Separera artefakten från förklaringen så att ett utvecklingsflöde kan rendera och granska den. Genererad källkod är ett förslag att granska, inte ett bevis på en fungerande applikation.\n\nRumslig perception, kontext och video\n\nQwen dokumenterar bedömningar av objekts positioner, synvinklar och skymda delar, med förankring i två dimensioner och stöd för förankring i tre dimensioner. Identifiera målet och be om de synliga ledtrådar som stöder relationen. En bildbaserad relation bör hållas åtskild från 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 omkring en miljon token genom konfiguration. Bevara tidsangivelser och bildrutornas ordning när du frågar om en sekvens. Den konfigurerade representationsbudgeten avgör vilket material som bearbetas, så familjens breda beskrivning av långa videor bör inte omvandlas till ett löfte om perfekt återgivning av varje bildruta ur minnet.\n\nMultimodala resonemang, igenkänning och OCR\n\nModellen stöder visuella STEM-frågor och matematiska frågor, orsaksanalys och förklaringar grundade på belägg. Tillhandahåll hela problemformuleringen och diagrametiketterna och be modellen ange de värden som används före den slutliga slutsatsen. Familjen utökar också igenkänningen till att omfatta människor, produkter, landmärken, växter, djur och mediefigurer. Kontrollera ett identifieringsresultat när den exakta identiteten är viktig.\n\nOCR omfattar 32 språk och är utformat för att förbättra läsning i svagt ljus, vid oskärpa eller lutning, inklusive fackterminologi och dokumentstruktur. Tillhandahåll läsbara sidor och be om fält, citat eller en tabell som går att kontrollera mot källan. Textförståelse och visuell förståelse kombineras, så frågan kan koppla ett textavsnitt till dess figur och användarens instruktioner.\n\nArkitektur\n\nDen publicerade konfigurationen anger en syn- och språkmodell med mixture-of-experts-arkitektur, 48 textlager, 128 experter och åtta experter valda per token. Interleaved-MRoPE representerar tid, bredd och höjd; DeepStack kombinerar egenskaper från flera nivåer i den visuella kodaren; koppling mellan text och tidsstämplar förankrar händelser i tidsreferenser. Använd denna Instruct-variant 30B-A3B konsekvent när du förbereder visuella uppgifter och jämför deras resultat.\n\nFörbereda indata\n\nFamiljens exempel omfattar uppgifter med enbart text, en eller flera bilder samt video. Märk visuella indata och bevara deras inbördes relation. Pixelbudgetarna för bilder och video är separata, och videobudgeten räknar pixlar över de samplade bildrutorna. Uttryckliga bildmått anpassas till multiplar av 32. Det dokumenterade standardvärdet för video är två bildrutor per sekund, med kontroller för frekvens eller antal bildrutor i arbetsflöden som stöder detta.\n\nMediehjälpfunktionen kan behålla videometadata och rekommenderar att undvika en andra storleksändring när den redan har storleksanpassat materialet. För en dokumentjämförelse ska du ordna svaret efter sidetikett. För ett klipp ska du be om händelsen, det relevanta tidsintervallet och stödjande belägg. Jämför returnerade fält, textavsnitt och händelsetider med de ursprungliga sidorna eller klippet.\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 maxgräns för utmatning. De separata uppgiftsbudgetarna i modellkortet för 8B Instruct bör inte automatiskt tilldelas denna variant.\n\nFamiljens utökningsprocedur använder YaRN och föreslår en faktor på två eller tre när det sammanflätade positionsschemat utökas från 256K till omkring 1M. Reservera utrymme för resultatet vid sidan av text och representerat visuellt material och verifiera OCR, beräknade slutsatser och genererad kod mot de ursprungliga beläggen. Håll Instructs genereringskontrakt åtskilt från en Thinking-modellversions inställningar; variantnamnet i sig fastställer inte någon applikationsspecifik omkopplare för hybridläge.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Generate source from a written layout\n\nProduce self-contained HTML and CSS from this written layout: a heading “Upload report”, a file input and a status line below it. On screens narrower than 480 pixels, controls fill the available width. Include empty, selected-file and error text examples, accessible labels and no external assets. Return editable source with a short state explanation.An HTML/CSS source artifact and a short explanation of the three requested states.Check that the file input has an associated label, narrow layouts fit their container and every requested state has distinct text.qwen/qwen3-vl-30b-a3b-instructQwen3-VL-30B-A3B-Instruct är Qwens instruktionsinriktade syn- och språkvariant med mixture-of-experts-arkitektur för text, bilder och video. Den returnerar text eller kod för visuella agentarbetsflöden, dokumentläsning, rumsliga frågor och visuell kodning, 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 30B-A3B
Qwen3-VL-30B-A3B-Instruct är den instruktionsinriktade varianten av Qwen3-VL med mixture-of-experts-arkitektur. Den kombinerar text med bilder eller video och producerar text, inklusive kod. Bevara just denna Instruct-identitet i stället för att ersätta den med Thinking-varianten med förstärkt resonemangsförmåga eller en annan storlek inom familjen. En användbar begäran definierar de visuella beläggen, frågan och den konkreta artefakt som förväntas i svaret.
Visuella agenter och visuell kodning
Tillverkaren beskriver igenkänning av gränssnittselement på datorer eller mobiler, förståelse av deras funktioner och verktygsanrop i ett arbetsflöde för visuella agenter. Tillhandahåll skärmbilden och det avsedda målet och fråga sedan vilken synlig kontroll som motsvarar uppgiften och vad som stöder valet. Den anslutna applikationen utför åtgärder och returnerar deras resultat; visuell igenkänning i sig styr inte enheten.
Visuell kodning omfattar diagraminnehåll och HTML, CSS eller JavaScript som genereras från bilder eller video. Tillhandahåll en layoutreferens tillsammans med funktionskrav och be om redigerbar källkod. För en ändring av ett befintligt gränssnitt ska du inkludera relevant kod och förväntade interaktionstillstånd. Separera artefakten från förklaringen så att ett utvecklingsflöde kan rendera och granska den. Genererad källkod är ett förslag att granska, inte ett bevis på en fungerande applikation.
Rumslig perception, kontext och video
Qwen dokumenterar bedömningar av objekts positioner, synvinklar och skymda delar, med förankring i två dimensioner och stöd för förankring i tre dimensioner. Identifiera målet och be om de synliga ledtrådar som stöder relationen. En bildbaserad relation bör hållas åtskild från 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 omkring en miljon token genom konfiguration. Bevara tidsangivelser och bildrutornas ordning när du frågar om en sekvens. Den konfigurerade representationsbudgeten avgör vilket material som bearbetas, så familjens breda beskrivning av långa videor bör inte omvandlas till ett löfte om perfekt återgivning av varje bildruta ur minnet.
Multimodala resonemang, igenkänning och OCR
Modellen stöder visuella STEM-frågor och matematiska frågor, orsaksanalys och förklaringar grundade på belägg. Tillhandahåll hela problemformuleringen och diagrametiketterna och be modellen ange de värden som används före den slutliga slutsatsen. Familjen utökar också igenkänningen till att omfatta människor, produkter, landmärken, växter, djur och mediefigurer. Kontrollera ett identifieringsresultat när den exakta identiteten är viktig.
OCR omfattar 32 språk och är utformat för att förbättra läsning i svagt ljus, vid oskärpa eller lutning, inklusive fackterminologi och dokumentstruktur. Tillhandahåll läsbara sidor och be om fält, citat eller en tabell som går att kontrollera mot källan. Textförståelse och visuell förståelse kombineras, så frågan kan koppla ett textavsnitt till dess figur och användarens instruktioner.
Arkitektur
Den publicerade konfigurationen anger en syn- och språkmodell med mixture-of-experts-arkitektur, 48 textlager, 128 experter och åtta experter valda per token. Interleaved-MRoPE representerar tid, bredd och höjd; DeepStack kombinerar egenskaper från flera nivåer i den visuella kodaren; koppling mellan text och tidsstämplar förankrar händelser i tidsreferenser. Använd denna Instruct-variant 30B-A3B konsekvent när du förbereder visuella uppgifter och jämför deras resultat.
Förbereda indata
Familjens exempel omfattar uppgifter med enbart text, en eller flera bilder samt video. Märk visuella indata och bevara deras inbördes relation. Pixelbudgetarna för bilder och video är separata, och videobudgeten räknar pixlar över de samplade bildrutorna. Uttryckliga bildmått anpassas till multiplar av 32. Det dokumenterade standardvärdet för video är två bildrutor per sekund, med kontroller för frekvens eller antal bildrutor i arbetsflöden som stöder detta.
Mediehjälpfunktionen kan behålla videometadata och rekommenderar att undvika en andra storleksändring när den redan har storleksanpassat materialet. För en dokumentjämförelse ska du ordna svaret efter sidetikett. För ett klipp ska du be om händelsen, det relevanta tidsintervallet och stödjande belägg. Jämför returnerade fält, textavsnitt och händelsetider med de ursprungliga sidorna eller klippet.
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 maxgräns för utmatning. De separata uppgiftsbudgetarna i modellkortet för 8B Instruct bör inte automatiskt tilldelas denna variant.
Familjens utökningsprocedur använder YaRN och föreslår en faktor på två eller tre när det sammanflätade positionsschemat utökas från 256K till omkring 1M. Reservera utrymme för resultatet vid sidan av text och representerat visuellt material och verifiera OCR, beräknade slutsatser och genererad kod mot de ursprungliga beläggen. Håll Instructs genereringskontrakt åtskilt från en Thinking-modellversions inställningar; variantnamnet i sig fastställer inte någon applikationsspecifik omkopplare för hybridläge.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3-vl-30b-a3b-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 $0.0003 / 1K token Utdata · Utdatatoken $0.0012 / 1K token Indata · Cacheläsning $0 / 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 $0.0003 / 1K token Utdata · Utdatatoken $0.0012 / 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-30b-a3b-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-30b-a3b-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-30b-a3b-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-30b-a3b-instruct
Använd metodsökvägarna som visas ovan.
qwen/qwen3-vl-30b-a3b-instructQwen3-VL-30B-A3B-Instruct är Qwens instruktionsinriktade syn- och språkvariant med mixture-of-experts-arkitektur för text, bilder och video. Den returnerar text eller kod för visuella agentarbetsflöden, dokumentläsning, rumsliga frågor och visuell kodning, 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 30B-A3B
Qwen3-VL-30B-A3B-Instruct är den instruktionsinriktade varianten av Qwen3-VL med mixture-of-experts-arkitektur. Den kombinerar text med bilder eller video och producerar text, inklusive kod. Bevara just denna Instruct-identitet i stället för att ersätta den med Thinking-varianten med förstärkt resonemangsförmåga eller en annan storlek inom familjen. En användbar begäran definierar de visuella beläggen, frågan och den konkreta artefakt som förväntas i svaret.
Visuella agenter och visuell kodning
Tillverkaren beskriver igenkänning av gränssnittselement på datorer eller mobiler, förståelse av deras funktioner och verktygsanrop i ett arbetsflöde för visuella agenter. Tillhandahåll skärmbilden och det avsedda målet och fråga sedan vilken synlig kontroll som motsvarar uppgiften och vad som stöder valet. Den anslutna applikationen utför åtgärder och returnerar deras resultat; visuell igenkänning i sig styr inte enheten.
Visuell kodning omfattar diagraminnehåll och HTML, CSS eller JavaScript som genereras från bilder eller video. Tillhandahåll en layoutreferens tillsammans med funktionskrav och be om redigerbar källkod. För en ändring av ett befintligt gränssnitt ska du inkludera relevant kod och förväntade interaktionstillstånd. Separera artefakten från förklaringen så att ett utvecklingsflöde kan rendera och granska den. Genererad källkod är ett förslag att granska, inte ett bevis på en fungerande applikation.
Rumslig perception, kontext och video
Qwen dokumenterar bedömningar av objekts positioner, synvinklar och skymda delar, med förankring i två dimensioner och stöd för förankring i tre dimensioner. Identifiera målet och be om de synliga ledtrådar som stöder relationen. En bildbaserad relation bör hållas åtskild från 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 omkring en miljon token genom konfiguration. Bevara tidsangivelser och bildrutornas ordning när du frågar om en sekvens. Den konfigurerade representationsbudgeten avgör vilket material som bearbetas, så familjens breda beskrivning av långa videor bör inte omvandlas till ett löfte om perfekt återgivning av varje bildruta ur minnet.
Multimodala resonemang, igenkänning och OCR
Modellen stöder visuella STEM-frågor och matematiska frågor, orsaksanalys och förklaringar grundade på belägg. Tillhandahåll hela problemformuleringen och diagrametiketterna och be modellen ange de värden som används före den slutliga slutsatsen. Familjen utökar också igenkänningen till att omfatta människor, produkter, landmärken, växter, djur och mediefigurer. Kontrollera ett identifieringsresultat när den exakta identiteten är viktig.
OCR omfattar 32 språk och är utformat för att förbättra läsning i svagt ljus, vid oskärpa eller lutning, inklusive fackterminologi och dokumentstruktur. Tillhandahåll läsbara sidor och be om fält, citat eller en tabell som går att kontrollera mot källan. Textförståelse och visuell förståelse kombineras, så frågan kan koppla ett textavsnitt till dess figur och användarens instruktioner.
Arkitektur
Den publicerade konfigurationen anger en syn- och språkmodell med mixture-of-experts-arkitektur, 48 textlager, 128 experter och åtta experter valda per token. Interleaved-MRoPE representerar tid, bredd och höjd; DeepStack kombinerar egenskaper från flera nivåer i den visuella kodaren; koppling mellan text och tidsstämplar förankrar händelser i tidsreferenser. Använd denna Instruct-variant 30B-A3B konsekvent när du förbereder visuella uppgifter och jämför deras resultat.
Förbereda indata
Familjens exempel omfattar uppgifter med enbart text, en eller flera bilder samt video. Märk visuella indata och bevara deras inbördes relation. Pixelbudgetarna för bilder och video är separata, och videobudgeten räknar pixlar över de samplade bildrutorna. Uttryckliga bildmått anpassas till multiplar av 32. Det dokumenterade standardvärdet för video är två bildrutor per sekund, med kontroller för frekvens eller antal bildrutor i arbetsflöden som stöder detta.
Mediehjälpfunktionen kan behålla videometadata och rekommenderar att undvika en andra storleksändring när den redan har storleksanpassat materialet. För en dokumentjämförelse ska du ordna svaret efter sidetikett. För ett klipp ska du be om händelsen, det relevanta tidsintervallet och stödjande belägg. Jämför returnerade fält, textavsnitt och händelsetider med de ursprungliga sidorna eller klippet.
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 maxgräns för utmatning. De separata uppgiftsbudgetarna i modellkortet för 8B Instruct bör inte automatiskt tilldelas denna variant.
Familjens utökningsprocedur använder YaRN och föreslår en faktor på två eller tre när det sammanflätade positionsschemat utökas från 256K till omkring 1M. Reservera utrymme för resultatet vid sidan av text och representerat visuellt material och verifiera OCR, beräknade slutsatser och genererad kod mot de ursprungliga beläggen. Håll Instructs genereringskontrakt åtskilt från en Thinking-modellversions inställningar; variantnamnet i sig fastställer inte någon applikationsspecifik omkopplare för hybridläge.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3-vl-30b-a3b-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 $0.0003 / 1K token Utdata · Utdatatoken $0.0012 / 1K token Indata · Cacheläsning $0 / 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 $0.0003 / 1K token Utdata · Utdatatoken $0.0012 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen/qwen3-vl-30b-a3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-30b-a3b-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-30b-a3b-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-30b-a3b-instruct
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Generate source from a written layout\n\nProduce self-contained HTML and CSS from this written layout: a heading “Upload report”, a file input and a status line below it. On screens narrower than 480 pixels, controls fill the available width. Include empty, selected-file and error text examples, accessible labels and no external assets. Return editable source with a short state explanation.An HTML/CSS source artifact and a short explanation of the three requested states.Check that the file input has an associated label, narrow layouts fit their container and every requested state has distinct text.