Thinking-varianten 30B-A3B
Qwen3-VL-30B-A3B-Thinking är varianten av Qwen3-VL med mixture-of-experts-arkitektur och förstärkt resonemangsförmåga. Den tar emot text, bilder och video och producerar text, inklusive kod eller en motiverad slutsats. Håll dess Thinking-identitet åtskild från Qwen3-VL-30B-A3B-Instruct och andra storlekar inom familjen. Tillverkarens indelning i varianter beskriver det avsedda resonemangsbeteendet utan att fastställa någon applikationsspecifik omkopplare för hybridläge.
Visuella agenter och kodning
Qwen dokumenterar ett arbetsflöde för visuella agenter som känner igen kontroller på datorer eller mobiler, förstår deras funktioner och anropar verktyg. För en gränssnittsuppgift ska du tillhandahålla den aktuella skärmbilden och det avsedda målet och sedan be om den relevanta kontrollen och en förklaring knuten till det som syns. Den anslutna applikationen utför åtgärder och returnerar resultat; modellens visuella resonemang styr inte enheten självständigt.
Familjen genererar också diagraminnehåll, HTML, CSS och JavaScript från bilder eller video. Tillhandahåll den visuella referensen tillsammans med funktionskrav och be om redigerbar källkod. För ett befintligt gränssnitt ska du ange den avsedda ändringen och relevant kod, i stället för att förvänta dig att en bild utan förklaring definierar varje interaktion. Genererad källkod är en artefakt att rendera och granska, inte ett bevis på en fungerande applikation.
Rumslighet, lång kontext och video
Tillverkaren beskriver bedömningar av objekts positioner, synvinklar och skymda delar, med förankring i två dimensioner och stöd för förankring i tre dimensioner. Fråga vilken relation som är viktig och vilka ledtrådar som stöder slutsatsen. En visuell 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, bildrutornas ordning och källidentifierare när du ber om en händelseredogörelse. Kontext och sampling avgör vilket material som representeras i en begäran; familjebeskrivningen bör inte omvandlas till ett ovillkorligt löfte om perfekt återgivning ur minnet.
Multimodala resonemang, igenkänning och OCR
Thinking-varianten är relevant för STEM-frågor samt matematiska och logiska frågor som kopplar visuella belägg till en förklaring. Tillhandahåll hela problemformuleringen, diagrametiketter och enheter och be modellen ange de värden och relationer som används före det slutliga svaret. En tydlig leverans kan vara ett avgränsat resultat, en tabell med belägg eller en kort slutsats som stöds av bilden och texten.
Familjen utökar den visuella igenkänningen till att omfatta människor, produkter, landmärken, växter, djur och mediefigurer. OCR omfattar 32 språk och är inriktat på läsning i svagt ljus, vid oskärpa eller lutning, inklusive fackterminologi och dokumentstruktur. Bevara läsbarheten och be om fält eller citat som går att kontrollera. Dessa användningsfall tillämpar dokumenterade förmågor; de garanterar inte korrekt identitet, transkription eller matematisk slutsats för varje inmatning.
Arkitektur
Den exakta konfigurationen anger en syn- och språkmodell med mixture-of-experts-arkitektur, 48 textlager, 128 experter och åtta experter valda per token. Interleaved-MRoPE fördelar positionsinformation över tid, bredd och höjd. DeepStack kombinerar visuella egenskaper från flera nivåer i kodaren, och koppling mellan text och tidsstämplar hjälper till att förankra händelser i tidsreferenser. Använd denna Thinking-variant 30B-A3B konsekvent när du förbereder visuella resonemangsuppgifter och jämför deras resultat.
Förbereda indata
Familjens exempel stöder uppgifter med enbart text, en eller flera bilder samt video. Märk visuella indata och bevara deras inbördes relation. Separata pixelbudgetar för bilder och video gör det möjligt för ett arbetsflöde att styra detaljnivån; uttryckliga bildmått anpassas till multiplar av 32. Det dokumenterade standardvärdet för video är två bildrutor per sekund, med kontroller för samplingsfrekvens eller antal bildrutor där detta stöds. Behåll videometadata och undvik att ändra storleken två gånger när hjälpfunktionen redan har storleksanpassat mediet.
För en dokumentjämförelse ska du ordna resultatet efter sididentifierare. För ett klipp ska du be om den relevanta händelsen, tidsintervallet och beläggen. Reservera utrymme i sekvensen för resonemang och slutlig text samt för visuella token.
Vägledning för generering och gränser
Modellversionens genereringsfil har standardvärdena temperature 0.8, top_p 0.95, top_k 20 och repetition penalty 1.0. Familjens separata utvärderingsrecept för Thinking använder temperature 0.6, presence penalty noll, repetition penalty 1.0 och en utmatningsbudget på 40,960 token. Detta är skilda förinställningar från producenten; budgeten är inte en oberoende fastställd hård maxgräns för utmatning.
Familjens utökningsprocedur använder YaRN och föreslår en faktor på två eller tre för det sammanflätade positionsschemat vid övergång från 256K till omkring 1M. Den bör inte ärva en annan familjs faktor på fyra. Kontrollera extraherade etiketter, beräkningar och genererad kod mot de ursprungliga beläggen och håll den slutliga artefakten åtskild från resonemanget. Det praktiska resultatet är en granskningsbar visuell slutsats eller ett kodförslag där just denna Thinking-variant bevaras.
", "aboutText": "Thinking-varianten 30B-A3B\n\nQwen3-VL-30B-A3B-Thinking är varianten av Qwen3-VL med mixture-of-experts-arkitektur och förstärkt resonemangsförmåga. Den tar emot text, bilder och video och producerar text, inklusive kod eller en motiverad slutsats. Håll dess Thinking-identitet åtskild från Qwen3-VL-30B-A3B-Instruct och andra storlekar inom familjen. Tillverkarens indelning i varianter beskriver det avsedda resonemangsbeteendet utan att fastställa någon applikationsspecifik omkopplare för hybridläge.\n\nVisuella agenter och kodning\n\nQwen dokumenterar ett arbetsflöde för visuella agenter som känner igen kontroller på datorer eller mobiler, förstår deras funktioner och anropar verktyg. För en gränssnittsuppgift ska du tillhandahålla den aktuella skärmbilden och det avsedda målet och sedan be om den relevanta kontrollen och en förklaring knuten till det som syns. Den anslutna applikationen utför åtgärder och returnerar resultat; modellens visuella resonemang styr inte enheten självständigt.\n\nFamiljen genererar också diagraminnehåll, HTML, CSS och JavaScript från bilder eller video. Tillhandahåll den visuella referensen tillsammans med funktionskrav och be om redigerbar källkod. För ett befintligt gränssnitt ska du ange den avsedda ändringen och relevant kod, i stället för att förvänta dig att en bild utan förklaring definierar varje interaktion. Genererad källkod är en artefakt att rendera och granska, inte ett bevis på en fungerande applikation.\n\nRumslighet, lång kontext och video\n\nTillverkaren beskriver bedömningar av objekts positioner, synvinklar och skymda delar, med förankring i två dimensioner och stöd för förankring i tre dimensioner. Fråga vilken relation som är viktig och vilka ledtrådar som stöder slutsatsen. En visuell 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, bildrutornas ordning och källidentifierare när du ber om en händelseredogörelse. Kontext och sampling avgör vilket material som representeras i en begäran; familjebeskrivningen bör inte omvandlas till ett ovillkorligt löfte om perfekt återgivning ur minnet.\n\nMultimodala resonemang, igenkänning och OCR\n\nThinking-varianten är relevant för STEM-frågor samt matematiska och logiska frågor som kopplar visuella belägg till en förklaring. Tillhandahåll hela problemformuleringen, diagrametiketter och enheter och be modellen ange de värden och relationer som används före det slutliga svaret. En tydlig leverans kan vara ett avgränsat resultat, en tabell med belägg eller en kort slutsats som stöds av bilden och texten.\n\nFamiljen utökar den visuella igenkänningen till att omfatta människor, produkter, landmärken, växter, djur och mediefigurer. OCR omfattar 32 språk och är inriktat på läsning i svagt ljus, vid oskärpa eller lutning, inklusive fackterminologi och dokumentstruktur. Bevara läsbarheten och be om fält eller citat som går att kontrollera. Dessa användningsfall tillämpar dokumenterade förmågor; de garanterar inte korrekt identitet, transkription eller matematisk slutsats för varje inmatning.\n\nArkitektur\n\nDen exakta konfigurationen anger en syn- och språkmodell med mixture-of-experts-arkitektur, 48 textlager, 128 experter och åtta experter valda per token. Interleaved-MRoPE fördelar positionsinformation över tid, bredd och höjd. DeepStack kombinerar visuella egenskaper från flera nivåer i kodaren, och koppling mellan text och tidsstämplar hjälper till att förankra händelser i tidsreferenser. Använd denna Thinking-variant 30B-A3B konsekvent när du förbereder visuella resonemangsuppgifter och jämför deras resultat.\n\nFörbereda indata\n\nFamiljens exempel stöder uppgifter med enbart text, en eller flera bilder samt video. Märk visuella indata och bevara deras inbördes relation. Separata pixelbudgetar för bilder och video gör det möjligt för ett arbetsflöde att styra detaljnivån; uttryckliga bildmått anpassas till multiplar av 32. Det dokumenterade standardvärdet för video är två bildrutor per sekund, med kontroller för samplingsfrekvens eller antal bildrutor där detta stöds. Behåll videometadata och undvik att ändra storleken två gånger när hjälpfunktionen redan har storleksanpassat mediet.\n\nFör en dokumentjämförelse ska du ordna resultatet efter sididentifierare. För ett klipp ska du be om den relevanta händelsen, tidsintervallet och beläggen. Reservera utrymme i sekvensen för resonemang och slutlig text samt för visuella token.\n\nVägledning för generering och gränser\n\nModellversionens genereringsfil har standardvärdena temperature 0.8, top_p 0.95, top_k 20 och repetition penalty 1.0. Familjens separata utvärderingsrecept för Thinking använder temperature 0.6, presence penalty noll, repetition penalty 1.0 och en utmatningsbudget på 40,960 token. Detta är skilda förinställningar från producenten; budgeten är inte en oberoende fastställd hård maxgräns för utmatning.\n\nFamiljens utökningsprocedur använder YaRN och föreslår en faktor på två eller tre för det sammanflätade positionsschemat vid övergång från 256K till omkring 1M. Den bör inte ärva en annan familjs faktor på fyra. Kontrollera extraherade etiketter, beräkningar och genererad kod mot de ursprungliga beläggen och håll den slutliga artefakten åtskild från resonemanget. Det praktiska resultatet är en granskningsbar visuell slutsats eller ett kodförslag där just denna Thinking-variant bevaras.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Reason about a transcribed geometry diagram\n\nUse this diagram transcription: rectangle ABCD has AB = 10 cm and BC = 6 cm; E is the midpoint of AB; segment CE is drawn. Find the area of triangle BCE. State the base and perpendicular height used, preserve the units, and give a short derivation. Do not assume any additional markings or image input.A short geometry derivation naming base BE and height BC, with the final area in square centimetres.The midpoint halves AB, and the triangle area uses one-half times the perpendicular base-height product.qwen/qwen3-vl-30b-a3b-thinkingQwen3-VL-30B-A3B-Thinking är Qwens syn- och språkvariant med mixture-of-experts-arkitektur för djupare resonemang om text, bilder och video. Den returnerar text eller kod för STEM-frågor, dokument, rumslig analys och visuella arbetsflöden, 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.
Thinking-varianten 30B-A3B
Qwen3-VL-30B-A3B-Thinking är varianten av Qwen3-VL med mixture-of-experts-arkitektur och förstärkt resonemangsförmåga. Den tar emot text, bilder och video och producerar text, inklusive kod eller en motiverad slutsats. Håll dess Thinking-identitet åtskild från Qwen3-VL-30B-A3B-Instruct och andra storlekar inom familjen. Tillverkarens indelning i varianter beskriver det avsedda resonemangsbeteendet utan att fastställa någon applikationsspecifik omkopplare för hybridläge.
Visuella agenter och kodning
Qwen dokumenterar ett arbetsflöde för visuella agenter som känner igen kontroller på datorer eller mobiler, förstår deras funktioner och anropar verktyg. För en gränssnittsuppgift ska du tillhandahålla den aktuella skärmbilden och det avsedda målet och sedan be om den relevanta kontrollen och en förklaring knuten till det som syns. Den anslutna applikationen utför åtgärder och returnerar resultat; modellens visuella resonemang styr inte enheten självständigt.
Familjen genererar också diagraminnehåll, HTML, CSS och JavaScript från bilder eller video. Tillhandahåll den visuella referensen tillsammans med funktionskrav och be om redigerbar källkod. För ett befintligt gränssnitt ska du ange den avsedda ändringen och relevant kod, i stället för att förvänta dig att en bild utan förklaring definierar varje interaktion. Genererad källkod är en artefakt att rendera och granska, inte ett bevis på en fungerande applikation.
Rumslighet, lång kontext och video
Tillverkaren beskriver bedömningar av objekts positioner, synvinklar och skymda delar, med förankring i två dimensioner och stöd för förankring i tre dimensioner. Fråga vilken relation som är viktig och vilka ledtrådar som stöder slutsatsen. En visuell 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, bildrutornas ordning och källidentifierare när du ber om en händelseredogörelse. Kontext och sampling avgör vilket material som representeras i en begäran; familjebeskrivningen bör inte omvandlas till ett ovillkorligt löfte om perfekt återgivning ur minnet.
Multimodala resonemang, igenkänning och OCR
Thinking-varianten är relevant för STEM-frågor samt matematiska och logiska frågor som kopplar visuella belägg till en förklaring. Tillhandahåll hela problemformuleringen, diagrametiketter och enheter och be modellen ange de värden och relationer som används före det slutliga svaret. En tydlig leverans kan vara ett avgränsat resultat, en tabell med belägg eller en kort slutsats som stöds av bilden och texten.
Familjen utökar den visuella igenkänningen till att omfatta människor, produkter, landmärken, växter, djur och mediefigurer. OCR omfattar 32 språk och är inriktat på läsning i svagt ljus, vid oskärpa eller lutning, inklusive fackterminologi och dokumentstruktur. Bevara läsbarheten och be om fält eller citat som går att kontrollera. Dessa användningsfall tillämpar dokumenterade förmågor; de garanterar inte korrekt identitet, transkription eller matematisk slutsats för varje inmatning.
Arkitektur
Den exakta konfigurationen anger en syn- och språkmodell med mixture-of-experts-arkitektur, 48 textlager, 128 experter och åtta experter valda per token. Interleaved-MRoPE fördelar positionsinformation över tid, bredd och höjd. DeepStack kombinerar visuella egenskaper från flera nivåer i kodaren, och koppling mellan text och tidsstämplar hjälper till att förankra händelser i tidsreferenser. Använd denna Thinking-variant 30B-A3B konsekvent när du förbereder visuella resonemangsuppgifter och jämför deras resultat.
Förbereda indata
Familjens exempel stöder uppgifter med enbart text, en eller flera bilder samt video. Märk visuella indata och bevara deras inbördes relation. Separata pixelbudgetar för bilder och video gör det möjligt för ett arbetsflöde att styra detaljnivån; uttryckliga bildmått anpassas till multiplar av 32. Det dokumenterade standardvärdet för video är två bildrutor per sekund, med kontroller för samplingsfrekvens eller antal bildrutor där detta stöds. Behåll videometadata och undvik att ändra storleken två gånger när hjälpfunktionen redan har storleksanpassat mediet.
För en dokumentjämförelse ska du ordna resultatet efter sididentifierare. För ett klipp ska du be om den relevanta händelsen, tidsintervallet och beläggen. Reservera utrymme i sekvensen för resonemang och slutlig text samt för visuella token.
Vägledning för generering och gränser
Modellversionens genereringsfil har standardvärdena temperature 0.8, top_p 0.95, top_k 20 och repetition penalty 1.0. Familjens separata utvärderingsrecept för Thinking använder temperature 0.6, presence penalty noll, repetition penalty 1.0 och en utmatningsbudget på 40,960 token. Detta är skilda förinställningar från producenten; budgeten är inte en oberoende fastställd hård maxgräns för utmatning.
Familjens utökningsprocedur använder YaRN och föreslår en faktor på två eller tre för det sammanflätade positionsschemat vid övergång från 256K till omkring 1M. Den bör inte ärva en annan familjs faktor på fyra. Kontrollera extraherade etiketter, beräkningar och genererad kod mot de ursprungliga beläggen och håll den slutliga artefakten åtskild från resonemanget. Det praktiska resultatet är en granskningsbar visuell slutsats eller ett kodförslag där just denna Thinking-variant bevaras.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3-vl-30b-a3b-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.
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 $0.00058 / 1K token Utdata · Utdatatoken $0.002 / 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 $0.00058 / 1K token Utdata · Utdatatoken $0.002 / 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-thinking", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3-vl-30b-a3b-thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3-vl-30b-a3b-thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-thinking
Använd metodsökvägarna som visas ovan.
qwen/qwen3-vl-30b-a3b-thinkingQwen3-VL-30B-A3B-Thinking är Qwens syn- och språkvariant med mixture-of-experts-arkitektur för djupare resonemang om text, bilder och video. Den returnerar text eller kod för STEM-frågor, dokument, rumslig analys och visuella arbetsflöden, 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.
Thinking-varianten 30B-A3B
Qwen3-VL-30B-A3B-Thinking är varianten av Qwen3-VL med mixture-of-experts-arkitektur och förstärkt resonemangsförmåga. Den tar emot text, bilder och video och producerar text, inklusive kod eller en motiverad slutsats. Håll dess Thinking-identitet åtskild från Qwen3-VL-30B-A3B-Instruct och andra storlekar inom familjen. Tillverkarens indelning i varianter beskriver det avsedda resonemangsbeteendet utan att fastställa någon applikationsspecifik omkopplare för hybridläge.
Visuella agenter och kodning
Qwen dokumenterar ett arbetsflöde för visuella agenter som känner igen kontroller på datorer eller mobiler, förstår deras funktioner och anropar verktyg. För en gränssnittsuppgift ska du tillhandahålla den aktuella skärmbilden och det avsedda målet och sedan be om den relevanta kontrollen och en förklaring knuten till det som syns. Den anslutna applikationen utför åtgärder och returnerar resultat; modellens visuella resonemang styr inte enheten självständigt.
Familjen genererar också diagraminnehåll, HTML, CSS och JavaScript från bilder eller video. Tillhandahåll den visuella referensen tillsammans med funktionskrav och be om redigerbar källkod. För ett befintligt gränssnitt ska du ange den avsedda ändringen och relevant kod, i stället för att förvänta dig att en bild utan förklaring definierar varje interaktion. Genererad källkod är en artefakt att rendera och granska, inte ett bevis på en fungerande applikation.
Rumslighet, lång kontext och video
Tillverkaren beskriver bedömningar av objekts positioner, synvinklar och skymda delar, med förankring i två dimensioner och stöd för förankring i tre dimensioner. Fråga vilken relation som är viktig och vilka ledtrådar som stöder slutsatsen. En visuell 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, bildrutornas ordning och källidentifierare när du ber om en händelseredogörelse. Kontext och sampling avgör vilket material som representeras i en begäran; familjebeskrivningen bör inte omvandlas till ett ovillkorligt löfte om perfekt återgivning ur minnet.
Multimodala resonemang, igenkänning och OCR
Thinking-varianten är relevant för STEM-frågor samt matematiska och logiska frågor som kopplar visuella belägg till en förklaring. Tillhandahåll hela problemformuleringen, diagrametiketter och enheter och be modellen ange de värden och relationer som används före det slutliga svaret. En tydlig leverans kan vara ett avgränsat resultat, en tabell med belägg eller en kort slutsats som stöds av bilden och texten.
Familjen utökar den visuella igenkänningen till att omfatta människor, produkter, landmärken, växter, djur och mediefigurer. OCR omfattar 32 språk och är inriktat på läsning i svagt ljus, vid oskärpa eller lutning, inklusive fackterminologi och dokumentstruktur. Bevara läsbarheten och be om fält eller citat som går att kontrollera. Dessa användningsfall tillämpar dokumenterade förmågor; de garanterar inte korrekt identitet, transkription eller matematisk slutsats för varje inmatning.
Arkitektur
Den exakta konfigurationen anger en syn- och språkmodell med mixture-of-experts-arkitektur, 48 textlager, 128 experter och åtta experter valda per token. Interleaved-MRoPE fördelar positionsinformation över tid, bredd och höjd. DeepStack kombinerar visuella egenskaper från flera nivåer i kodaren, och koppling mellan text och tidsstämplar hjälper till att förankra händelser i tidsreferenser. Använd denna Thinking-variant 30B-A3B konsekvent när du förbereder visuella resonemangsuppgifter och jämför deras resultat.
Förbereda indata
Familjens exempel stöder uppgifter med enbart text, en eller flera bilder samt video. Märk visuella indata och bevara deras inbördes relation. Separata pixelbudgetar för bilder och video gör det möjligt för ett arbetsflöde att styra detaljnivån; uttryckliga bildmått anpassas till multiplar av 32. Det dokumenterade standardvärdet för video är två bildrutor per sekund, med kontroller för samplingsfrekvens eller antal bildrutor där detta stöds. Behåll videometadata och undvik att ändra storleken två gånger när hjälpfunktionen redan har storleksanpassat mediet.
För en dokumentjämförelse ska du ordna resultatet efter sididentifierare. För ett klipp ska du be om den relevanta händelsen, tidsintervallet och beläggen. Reservera utrymme i sekvensen för resonemang och slutlig text samt för visuella token.
Vägledning för generering och gränser
Modellversionens genereringsfil har standardvärdena temperature 0.8, top_p 0.95, top_k 20 och repetition penalty 1.0. Familjens separata utvärderingsrecept för Thinking använder temperature 0.6, presence penalty noll, repetition penalty 1.0 och en utmatningsbudget på 40,960 token. Detta är skilda förinställningar från producenten; budgeten är inte en oberoende fastställd hård maxgräns för utmatning.
Familjens utökningsprocedur använder YaRN och föreslår en faktor på två eller tre för det sammanflätade positionsschemat vid övergång från 256K till omkring 1M. Den bör inte ärva en annan familjs faktor på fyra. Kontrollera extraherade etiketter, beräkningar och genererad kod mot de ursprungliga beläggen och håll den slutliga artefakten åtskild från resonemanget. Det praktiska resultatet är en granskningsbar visuell slutsats eller ett kodförslag där just denna Thinking-variant bevaras.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser qwen/qwen3-vl-30b-a3b-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.
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 $0.00058 / 1K token Utdata · Utdatatoken $0.002 / 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 $0.00058 / 1K token Utdata · Utdatatoken $0.002 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "qwen/qwen3-vl-30b-a3b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-30b-a3b-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-30b-a3b-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-thinking
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Reason about a transcribed geometry diagram\n\nUse this diagram transcription: rectangle ABCD has AB = 10 cm and BC = 6 cm; E is the midpoint of AB; segment CE is drawn. Find the area of triangle BCE. State the base and perpendicular height used, preserve the units, and give a short derivation. Do not assume any additional markings or image input.A short geometry derivation naming base BE and height BC, with the final area in square centimetres.The midpoint halves AB, and the triangle area uses one-half times the perpendicular base-height product.