Qwen3-VL-8B-Thinking är den resonemangsinriktade täta 8B-utgåvan av Alibabas familj Qwen3-VL. Den kombinerar text, bilder och video i en gemensam uppgift och genererar text. Qwen släpper Thinking- och Instruct-utgåvor separat; detta modellkort gäller den namngivna Thinking-modellen, vars syfte bland annat är att analysera visuella belägg innan ett svar produceras. Rent textarbete ingår också i modellens språkförmåga.
Tillverkaren presenterar visuella agenter först: modellen kan känna igen element i dator- eller mobilgränssnitt, tolka deras funktioner och resonera om nästa interaktion. I en applikation ger skärmbilder det aktuella tillståndet och verktyg utför valda åtgärder. Ett användbart underlag ger användarens mål, den synliga skärmen och tillåtna åtgärder och ber sedan om nästa steg och elementet som motiverar det. Den genererade tolkningen är åtskild från en åtgärd som utförs av den omgivande applikationen.
Visuell kodning kopplar referensbilder eller video till textbaserad kod. Qwen dokumenterar Draw.io-diagram och HTML, CSS och JavaScript som exempelutdata. Tillhandahåll en skärmbild eller skiss tillsammans med nödvändigt beteende, innehåll och mållayout; begär en redigerbar kod- eller diagramartefakt. För spatialt arbete beskriver familjen objektposition, synvinkel och skymning, med 2D-förankring och 3D-förankring. Ange koordinatkonventionen om platser behövs, så att en beskriven position och en begärd ruta använder samma referens.
Den inbyggda kontexten är 256K token för text och sammanflätat visuellt material. Modellkortet beskriver också utökning till en miljon token, vilket är en separat konfigurerad utökning snarare än den inbyggda kontextspecifikationen. Tillämpningar med lång kontext omfattar korsreferenser mellan dokumentsidor och lokalisering av händelser i video. Bevara sidordning och videotidsstämplar när indata förbereds och begär att svaret identifierar sidan eller tidpunkten som används för varje slutsats.
Multimodalt resonemang omfattar matematiska och naturvetenskapliga uppgifter som kräver både det synliga materialet och dess skriftliga fråga. Familjen stöder också bred visuell igenkänning av objekt, produkter, landmärken, växter och djur. OCR-täckningen omfattar 32 språk och inkluderar svåra bilder med svagt ljus, oskärpa eller lutning samt tolkning av dokumentstruktur. För ett skannat problem ska en transkription begäras först och en lösning sedan; det synliggör ett felläst tecken eller en etikett innan det ändrar resonemanget.
Tre arkitekturuppdateringar stöder detta visuella och temporala arbete. Interleaved-MRoPE fördelar positionsinformation över tid, bredd och höjd; DeepStack för in visuella egenskaper från flera nivåer i språkmodellen; uttryckliga texttidsstämplar representerar tidspositionen för grupper av videobildrutor. Deras praktiska betydelse är att bevara spatiala detaljer och koppla en händelsebeskrivning till ett ögonblick i källan. De gör inte en liten eller oläslig källdetalj till garanterad igenkänning.
Det specifika Thinking-modellkortet ger genereringsrekommendationer separat för visuella uppgifter och textuppgifter. Båda använder sampling med temperature 1.0, top-p 0.95 och top-k 20; det visuella exemplet använder närvarostraff 0.0, medan textexemplet använder 1.5. Exempelinställningarna för utdatalängd är 40,960 för visuellt arbete och 32,768 för text, med 81,920 föreslaget för utvalda krävande textutvärderingar. Detta är anpassningsrekommendationer, inte en universell garanti för maximal utdata eller parametrar som en omgivande tjänst nödvändigtvis exponerar.
För en praktisk dokumentuppgift ska ordnade sidbilder ges och följande begäras: ”Extrahera avsnittsrubrikerna, förklara relationen mellan diagrammet och den intilliggande texten och bifoga en sidreferens till varje fynd.” För video ska händelsen som ska lokaliseras definieras och dess tidsstämpel plus en kort visuell förklaring begäras. För en visuell resonemangsfråga ska den nödvändiga slutartefakten och tillåtna antaganden anges. Utdata förblir en textförklaring, extraherat innehåll, kod eller ett föreslaget verktygssteg; denna utgåvas visuella indata är inget flöde för video- eller talgenerering.
", "aboutText": "Qwen3-VL-8B-Thinking är den resonemangsinriktade täta 8B-utgåvan av Alibabas familj Qwen3-VL. Den kombinerar text, bilder och video i en gemensam uppgift och genererar text. Qwen släpper Thinking- och Instruct-utgåvor separat; detta modellkort gäller den namngivna Thinking-modellen, vars syfte bland annat är att analysera visuella belägg innan ett svar produceras. Rent textarbete ingår också i modellens språkförmåga.\n\nTillverkaren presenterar visuella agenter först: modellen kan känna igen element i dator- eller mobilgränssnitt, tolka deras funktioner och resonera om nästa interaktion. I en applikation ger skärmbilder det aktuella tillståndet och verktyg utför valda åtgärder. Ett användbart underlag ger användarens mål, den synliga skärmen och tillåtna åtgärder och ber sedan om nästa steg och elementet som motiverar det. Den genererade tolkningen är åtskild från en åtgärd som utförs av den omgivande applikationen.\n\nVisuell kodning kopplar referensbilder eller video till textbaserad kod. Qwen dokumenterar Draw.io-diagram och HTML, CSS och JavaScript som exempelutdata. Tillhandahåll en skärmbild eller skiss tillsammans med nödvändigt beteende, innehåll och mållayout; begär en redigerbar kod- eller diagramartefakt. För spatialt arbete beskriver familjen objektposition, synvinkel och skymning, med 2D-förankring och 3D-förankring. Ange koordinatkonventionen om platser behövs, så att en beskriven position och en begärd ruta använder samma referens.\n\nDen inbyggda kontexten är 256K token för text och sammanflätat visuellt material. Modellkortet beskriver också utökning till en miljon token, vilket är en separat konfigurerad utökning snarare än den inbyggda kontextspecifikationen. Tillämpningar med lång kontext omfattar korsreferenser mellan dokumentsidor och lokalisering av händelser i video. Bevara sidordning och videotidsstämplar när indata förbereds och begär att svaret identifierar sidan eller tidpunkten som används för varje slutsats.\n\nMultimodalt resonemang omfattar matematiska och naturvetenskapliga uppgifter som kräver både det synliga materialet och dess skriftliga fråga. Familjen stöder också bred visuell igenkänning av objekt, produkter, landmärken, växter och djur. OCR-täckningen omfattar 32 språk och inkluderar svåra bilder med svagt ljus, oskärpa eller lutning samt tolkning av dokumentstruktur. För ett skannat problem ska en transkription begäras först och en lösning sedan; det synliggör ett felläst tecken eller en etikett innan det ändrar resonemanget.\n\nTre arkitekturuppdateringar stöder detta visuella och temporala arbete. Interleaved-MRoPE fördelar positionsinformation över tid, bredd och höjd; DeepStack för in visuella egenskaper från flera nivåer i språkmodellen; uttryckliga texttidsstämplar representerar tidspositionen för grupper av videobildrutor. Deras praktiska betydelse är att bevara spatiala detaljer och koppla en händelsebeskrivning till ett ögonblick i källan. De gör inte en liten eller oläslig källdetalj till garanterad igenkänning.\n\nDet specifika Thinking-modellkortet ger genereringsrekommendationer separat för visuella uppgifter och textuppgifter. Båda använder sampling med temperature 1.0, top-p 0.95 och top-k 20; det visuella exemplet använder närvarostraff 0.0, medan textexemplet använder 1.5. Exempelinställningarna för utdatalängd är 40,960 för visuellt arbete och 32,768 för text, med 81,920 föreslaget för utvalda krävande textutvärderingar. Detta är anpassningsrekommendationer, inte en universell garanti för maximal utdata eller parametrar som en omgivande tjänst nödvändigtvis exponerar.\n\nFör en praktisk dokumentuppgift ska ordnade sidbilder ges och följande begäras: ”Extrahera avsnittsrubrikerna, förklara relationen mellan diagrammet och den intilliggande texten och bifoga en sidreferens till varje fynd.” För video ska händelsen som ska lokaliseras definieras och dess tidsstämpel plus en kort visuell förklaring begäras. För en visuell resonemangsfråga ska den nödvändiga slutartefakten och tillåtna antaganden anges. Utdata förblir en textförklaring, extraherat innehåll, kod eller ett föreslaget verktygssteg; denna utgåvas visuella indata är inget flöde för video- eller talgenerering.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Reason about a written interface layout\n\nUse this textual layout description: a dialog contains a title at the top, a long message in the middle and Cancel/Confirm buttons at the bottom. On a short screen, only the message area should scroll; both buttons must stay visible. Propose HTML and CSS structure and explain the height constraints. Do not assume an image was supplied.An editable HTML/CSS proposal and a short explanation of which region scrolls.Check the proposed structure limits message overflow while keeping both actions outside that scroll area.Qwen/Qwen3-VL-8B-ThinkingQwen3-VL-8B-Thinking är Qwens resonemangsinriktade 8B-utgåva för bild och språk. Den kombinerar text, bilder och video för visuell problemlösning, dokumenttolkning, spatial analys och kodgenerering från visuella referenser.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen3-VL-8B-Thinking är den resonemangsinriktade täta 8B-utgåvan av Alibabas familj Qwen3-VL. Den kombinerar text, bilder och video i en gemensam uppgift och genererar text. Qwen släpper Thinking- och Instruct-utgåvor separat; detta modellkort gäller den namngivna Thinking-modellen, vars syfte bland annat är att analysera visuella belägg innan ett svar produceras. Rent textarbete ingår också i modellens språkförmåga.
Tillverkaren presenterar visuella agenter först: modellen kan känna igen element i dator- eller mobilgränssnitt, tolka deras funktioner och resonera om nästa interaktion. I en applikation ger skärmbilder det aktuella tillståndet och verktyg utför valda åtgärder. Ett användbart underlag ger användarens mål, den synliga skärmen och tillåtna åtgärder och ber sedan om nästa steg och elementet som motiverar det. Den genererade tolkningen är åtskild från en åtgärd som utförs av den omgivande applikationen.
Visuell kodning kopplar referensbilder eller video till textbaserad kod. Qwen dokumenterar Draw.io-diagram och HTML, CSS och JavaScript som exempelutdata. Tillhandahåll en skärmbild eller skiss tillsammans med nödvändigt beteende, innehåll och mållayout; begär en redigerbar kod- eller diagramartefakt. För spatialt arbete beskriver familjen objektposition, synvinkel och skymning, med 2D-förankring och 3D-förankring. Ange koordinatkonventionen om platser behövs, så att en beskriven position och en begärd ruta använder samma referens.
Den inbyggda kontexten är 256K token för text och sammanflätat visuellt material. Modellkortet beskriver också utökning till en miljon token, vilket är en separat konfigurerad utökning snarare än den inbyggda kontextspecifikationen. Tillämpningar med lång kontext omfattar korsreferenser mellan dokumentsidor och lokalisering av händelser i video. Bevara sidordning och videotidsstämplar när indata förbereds och begär att svaret identifierar sidan eller tidpunkten som används för varje slutsats.
Multimodalt resonemang omfattar matematiska och naturvetenskapliga uppgifter som kräver både det synliga materialet och dess skriftliga fråga. Familjen stöder också bred visuell igenkänning av objekt, produkter, landmärken, växter och djur. OCR-täckningen omfattar 32 språk och inkluderar svåra bilder med svagt ljus, oskärpa eller lutning samt tolkning av dokumentstruktur. För ett skannat problem ska en transkription begäras först och en lösning sedan; det synliggör ett felläst tecken eller en etikett innan det ändrar resonemanget.
Tre arkitekturuppdateringar stöder detta visuella och temporala arbete. Interleaved-MRoPE fördelar positionsinformation över tid, bredd och höjd; DeepStack för in visuella egenskaper från flera nivåer i språkmodellen; uttryckliga texttidsstämplar representerar tidspositionen för grupper av videobildrutor. Deras praktiska betydelse är att bevara spatiala detaljer och koppla en händelsebeskrivning till ett ögonblick i källan. De gör inte en liten eller oläslig källdetalj till garanterad igenkänning.
Det specifika Thinking-modellkortet ger genereringsrekommendationer separat för visuella uppgifter och textuppgifter. Båda använder sampling med temperature 1.0, top-p 0.95 och top-k 20; det visuella exemplet använder närvarostraff 0.0, medan textexemplet använder 1.5. Exempelinställningarna för utdatalängd är 40,960 för visuellt arbete och 32,768 för text, med 81,920 föreslaget för utvalda krävande textutvärderingar. Detta är anpassningsrekommendationer, inte en universell garanti för maximal utdata eller parametrar som en omgivande tjänst nödvändigtvis exponerar.
För en praktisk dokumentuppgift ska ordnade sidbilder ges och följande begäras: ”Extrahera avsnittsrubrikerna, förklara relationen mellan diagrammet och den intilliggande texten och bifoga en sidreferens till varje fynd.” För video ska händelsen som ska lokaliseras definieras och dess tidsstämpel plus en kort visuell förklaring begäras. För en visuell resonemangsfråga ska den nödvändiga slutartefakten och tillåtna antaganden anges. Utdata förblir en textförklaring, extraherat innehåll, kod eller ett föreslaget verktygssteg; denna utgåvas visuella indata är inget flöde för video- eller talgenerering.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser Qwen/Qwen3-VL-8B-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 $0.000144 / 1K token Utdata · Utdatatoken $0.00143 / 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-8B-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-8B-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-8B-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-8B-Thinking
Använd metodsökvägarna som visas ovan.
Qwen/Qwen3-VL-8B-ThinkingQwen3-VL-8B-Thinking är Qwens resonemangsinriktade 8B-utgåva för bild och språk. Den kombinerar text, bilder och video för visuell problemlösning, dokumenttolkning, spatial analys och kodgenerering från visuella referenser.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Qwen3-VL-8B-Thinking är den resonemangsinriktade täta 8B-utgåvan av Alibabas familj Qwen3-VL. Den kombinerar text, bilder och video i en gemensam uppgift och genererar text. Qwen släpper Thinking- och Instruct-utgåvor separat; detta modellkort gäller den namngivna Thinking-modellen, vars syfte bland annat är att analysera visuella belägg innan ett svar produceras. Rent textarbete ingår också i modellens språkförmåga.
Tillverkaren presenterar visuella agenter först: modellen kan känna igen element i dator- eller mobilgränssnitt, tolka deras funktioner och resonera om nästa interaktion. I en applikation ger skärmbilder det aktuella tillståndet och verktyg utför valda åtgärder. Ett användbart underlag ger användarens mål, den synliga skärmen och tillåtna åtgärder och ber sedan om nästa steg och elementet som motiverar det. Den genererade tolkningen är åtskild från en åtgärd som utförs av den omgivande applikationen.
Visuell kodning kopplar referensbilder eller video till textbaserad kod. Qwen dokumenterar Draw.io-diagram och HTML, CSS och JavaScript som exempelutdata. Tillhandahåll en skärmbild eller skiss tillsammans med nödvändigt beteende, innehåll och mållayout; begär en redigerbar kod- eller diagramartefakt. För spatialt arbete beskriver familjen objektposition, synvinkel och skymning, med 2D-förankring och 3D-förankring. Ange koordinatkonventionen om platser behövs, så att en beskriven position och en begärd ruta använder samma referens.
Den inbyggda kontexten är 256K token för text och sammanflätat visuellt material. Modellkortet beskriver också utökning till en miljon token, vilket är en separat konfigurerad utökning snarare än den inbyggda kontextspecifikationen. Tillämpningar med lång kontext omfattar korsreferenser mellan dokumentsidor och lokalisering av händelser i video. Bevara sidordning och videotidsstämplar när indata förbereds och begär att svaret identifierar sidan eller tidpunkten som används för varje slutsats.
Multimodalt resonemang omfattar matematiska och naturvetenskapliga uppgifter som kräver både det synliga materialet och dess skriftliga fråga. Familjen stöder också bred visuell igenkänning av objekt, produkter, landmärken, växter och djur. OCR-täckningen omfattar 32 språk och inkluderar svåra bilder med svagt ljus, oskärpa eller lutning samt tolkning av dokumentstruktur. För ett skannat problem ska en transkription begäras först och en lösning sedan; det synliggör ett felläst tecken eller en etikett innan det ändrar resonemanget.
Tre arkitekturuppdateringar stöder detta visuella och temporala arbete. Interleaved-MRoPE fördelar positionsinformation över tid, bredd och höjd; DeepStack för in visuella egenskaper från flera nivåer i språkmodellen; uttryckliga texttidsstämplar representerar tidspositionen för grupper av videobildrutor. Deras praktiska betydelse är att bevara spatiala detaljer och koppla en händelsebeskrivning till ett ögonblick i källan. De gör inte en liten eller oläslig källdetalj till garanterad igenkänning.
Det specifika Thinking-modellkortet ger genereringsrekommendationer separat för visuella uppgifter och textuppgifter. Båda använder sampling med temperature 1.0, top-p 0.95 och top-k 20; det visuella exemplet använder närvarostraff 0.0, medan textexemplet använder 1.5. Exempelinställningarna för utdatalängd är 40,960 för visuellt arbete och 32,768 för text, med 81,920 föreslaget för utvalda krävande textutvärderingar. Detta är anpassningsrekommendationer, inte en universell garanti för maximal utdata eller parametrar som en omgivande tjänst nödvändigtvis exponerar.
För en praktisk dokumentuppgift ska ordnade sidbilder ges och följande begäras: ”Extrahera avsnittsrubrikerna, förklara relationen mellan diagrammet och den intilliggande texten och bifoga en sidreferens till varje fynd.” För video ska händelsen som ska lokaliseras definieras och dess tidsstämpel plus en kort visuell förklaring begäras. För en visuell resonemangsfråga ska den nödvändiga slutartefakten och tillåtna antaganden anges. Utdata förblir en textförklaring, extraherat innehåll, kod eller ett föreslaget verktygssteg; denna utgåvas visuella indata är inget flöde för video- eller talgenerering.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser Qwen/Qwen3-VL-8B-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 $0.000144 / 1K token Utdata · Utdatatoken $0.00143 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "Qwen/Qwen3-VL-8B-Thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-8B-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-8B-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-8B-Thinking
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Reason about a written interface layout\n\nUse this textual layout description: a dialog contains a title at the top, a long message in the middle and Cancel/Confirm buttons at the bottom. On a short screen, only the message area should scroll; both buttons must stay visible. Propose HTML and CSS structure and explain the height constraints. Do not assume an image was supplied.An editable HTML/CSS proposal and a short explanation of which region scrolls.Check the proposed structure limits message overflow while keeping both actions outside that scroll area.