Qwen3-Omni-30B-A3B-Thinking là thành viên thiên về suy luận của Qwen3-Omni. Mô hình hiểu văn bản, hình ảnh, âm thanh và video, kể cả kết hợp chúng trong cùng cuộc hội thoại, và tạo kết quả văn bản. Bản Thinking cụ thể chứa thành phần Thinker và được trang bị cho suy luận; không có Talker dùng cho đầu ra nói trong checkpoint Instruct. Sự khác biệt này quan trọng khi chọn mô hình cho báo cáo phân tích thay vì hội thoại có giọng nói.
Nhà sản xuất mô tả Qwen3-Omni là họ hỗn hợp chuyên gia đa ngôn ngữ với 119 ngôn ngữ văn bản và 19 ngôn ngữ đầu vào lời nói. Tiếng Nga xuất hiện trong danh sách đầu vào lời nói đã công bố. Cấu hình Thinking cụ thể có 48 lớp transformer văn bản, 128 chuyên gia và tám chuyên gia được chọn cho mỗi token. Mô hình còn có các thành phần xử lý âm thanh và thị giác. Đây là đặc điểm của checkpoint có tên này; không nên thay khả năng hiểu đa phương thức của nó bằng khả năng của mô hình Qwen3 thuần văn bản có nhãn kích thước tương tự.
Các tài liệu hướng dẫn sử dụng bao quát nhận dạng và dịch lời nói, phân tích âm nhạc và âm thanh môi trường, âm thanh hỗn hợp, câu hỏi hình ảnh, OCR, định vị đối tượng, mô tả video và câu hỏi nghe nhìn. Toán học trong hình ảnh đặc biệt nhấn mạnh bản Thinking. Với bài hình học, cung cấp toàn bộ sơ đồ, nhãn đọc được và câu hỏi, rồi yêu cầu lời giải phân biệt dữ kiện nhìn thấy với giả định. Với phần trình diễn được ghi lại, chỉ ra hành động hoặc sai lệch cần khảo sát và yêu cầu quan sát gắn với các phần liên quan của tài liệu. Sản phẩm mong đợi có thể là lời giải viết, danh sách quan sát có cấu trúc hoặc giải thích những gì bằng chứng hỗ trợ.
Chuẩn bị đầu vào như cuộc hội thoại đa phương thức bằng bộ xử lý và mẫu hội thoại tương ứng. Bộ công cụ xử lý của nhà sản xuất xử lý văn bản, hình ảnh, âm thanh và video xen kẽ. Qwen mô tả phản hồi văn bản theo luồng là một phần của thiết kế tương tác trong họ mô hình và minh họa suy luận theo lô với nội dung đa phương tiện hỗn hợp nhưng chỉ trả về văn bản. Trong mỗi lượt hội thoại, nhà sản xuất khuyến nghị có chỉ dẫn văn bản rõ ràng bên cạnh nội dung đa phương tiện. Một video đơn lẻ khiến nhiệm vụ mơ hồ: hãy nêu cần tóm tắt hành động, so sánh hai cảnh, giải thích âm thanh hay giải bài toán được hiển thị. Gắn nhãn nhiều đầu vào và mối quan hệ giữa chúng để văn bản cuối nối đúng câu hỏi với đúng tài liệu.
Với video chứa lời nói hoặc âm thanh sự kiện, quyết định âm thanh của nó có thuộc nhiệm vụ hay không. Luồng được ghi trong tài liệu dùng use_audio_in_video nhất quán trong tiền xử lý và tạo đầu ra, và thẻ cảnh báo rằng thay đổi thiết lập này giữa các lượt hội thoại có thể gây kết quả ngoài dự kiến. Vì vậy, câu hỏi chỉ về cảnh và câu hỏi nghe nhìn cần chuẩn bị khác nhau. Giữ đoạn gốc sẵn có, chọn khoảng liên quan và tránh bỏ đường âm thanh khi kết luận được yêu cầu phụ thuộc vào điều được nói hoặc nghe.
Cấu hình văn bản công bố đặt max_position_embeddings thành 65.536. Các ví dụ vLLM trên thẻ dùng riêng độ dài mô hình 32.768 token và mức tạo đầu ra 16.384 token. Chúng thể hiện ví dụ suy luận đã cấu hình thay vì một giới hạn đầu ra tối đa phổ quát duy nhất. Nội dung đa phương tiện được biểu diễn qua bộ xử lý, nên kích thước yêu cầu không chỉ là số ký tự gõ vào. Dành chỗ cho kết quả văn bản và dùng đoạn nguồn có giới hạn khi bản ghi dài chỉ có một sự kiện ngắn liên quan đến câu hỏi.
Nhà sản xuất minh họa quy trình Transformers và vLLM, với hỗ trợ bộ xử lý và giải mã nội dung đa phương tiện là những phụ thuộc rõ ràng. Thẻ chung cũng ghi nhận khác biệt giao diện, gồm xử lý video và âm thanh riêng trong một ví dụ triển khai phục vụ. Chọn đúng checkpoint Thinking và đường xử lý được hỗ trợ thay vì giả định mọi ví dụ trên thẻ của họ mô hình có cùng hành vi đầu ra. Các giọng nói và điều khiển Talker trên trang đó áp dụng cho Instruct, không phải mô hình chỉ có Thinker này.
Để có kết quả cuối hữu ích, yêu cầu giải thích dựa trên bằng chứng và kết luận được tách rõ. Trong bài toán hình ảnh, giữ đơn vị, ký hiệu và nhãn; với âm thanh, phân biệt nội dung nghe được với nguồn suy đoán; trong video, phân biệt hành động quan sát được với diễn giải ý định. Kiểm tra kết quả với tài liệu được cung cấp và chỉ rõ chi tiết bất định hoặc không đọc được. Câu trả lời văn bản của mô hình có thể hỗ trợ phân tích hoặc một bước ứng dụng sau đó, còn mọi thực thi công cụ, xác nhận sự thật hoặc biến đổi nội dung đa phương tiện vẫn là thao tác riêng cần đầu vào và kết quả riêng.
", "aboutText": "Qwen3-Omni-30B-A3B-Thinking là thành viên thiên về suy luận của Qwen3-Omni. Mô hình hiểu văn bản, hình ảnh, âm thanh và video, kể cả kết hợp chúng trong cùng cuộc hội thoại, và tạo kết quả văn bản. Bản Thinking cụ thể chứa thành phần Thinker và được trang bị cho suy luận; không có Talker dùng cho đầu ra nói trong checkpoint Instruct. Sự khác biệt này quan trọng khi chọn mô hình cho báo cáo phân tích thay vì hội thoại có giọng nói.\n\nNhà sản xuất mô tả Qwen3-Omni là họ hỗn hợp chuyên gia đa ngôn ngữ với 119 ngôn ngữ văn bản và 19 ngôn ngữ đầu vào lời nói. Tiếng Nga xuất hiện trong danh sách đầu vào lời nói đã công bố. Cấu hình Thinking cụ thể có 48 lớp transformer văn bản, 128 chuyên gia và tám chuyên gia được chọn cho mỗi token. Mô hình còn có các thành phần xử lý âm thanh và thị giác. Đây là đặc điểm của checkpoint có tên này; không nên thay khả năng hiểu đa phương thức của nó bằng khả năng của mô hình Qwen3 thuần văn bản có nhãn kích thước tương tự.\n\nCác tài liệu hướng dẫn sử dụng bao quát nhận dạng và dịch lời nói, phân tích âm nhạc và âm thanh môi trường, âm thanh hỗn hợp, câu hỏi hình ảnh, OCR, định vị đối tượng, mô tả video và câu hỏi nghe nhìn. Toán học trong hình ảnh đặc biệt nhấn mạnh bản Thinking. Với bài hình học, cung cấp toàn bộ sơ đồ, nhãn đọc được và câu hỏi, rồi yêu cầu lời giải phân biệt dữ kiện nhìn thấy với giả định. Với phần trình diễn được ghi lại, chỉ ra hành động hoặc sai lệch cần khảo sát và yêu cầu quan sát gắn với các phần liên quan của tài liệu. Sản phẩm mong đợi có thể là lời giải viết, danh sách quan sát có cấu trúc hoặc giải thích những gì bằng chứng hỗ trợ.\n\nChuẩn bị đầu vào như cuộc hội thoại đa phương thức bằng bộ xử lý và mẫu hội thoại tương ứng. Bộ công cụ xử lý của nhà sản xuất xử lý văn bản, hình ảnh, âm thanh và video xen kẽ. Qwen mô tả phản hồi văn bản theo luồng là một phần của thiết kế tương tác trong họ mô hình và minh họa suy luận theo lô với nội dung đa phương tiện hỗn hợp nhưng chỉ trả về văn bản. Trong mỗi lượt hội thoại, nhà sản xuất khuyến nghị có chỉ dẫn văn bản rõ ràng bên cạnh nội dung đa phương tiện. Một video đơn lẻ khiến nhiệm vụ mơ hồ: hãy nêu cần tóm tắt hành động, so sánh hai cảnh, giải thích âm thanh hay giải bài toán được hiển thị. Gắn nhãn nhiều đầu vào và mối quan hệ giữa chúng để văn bản cuối nối đúng câu hỏi với đúng tài liệu.\n\nVới video chứa lời nói hoặc âm thanh sự kiện, quyết định âm thanh của nó có thuộc nhiệm vụ hay không. Luồng được ghi trong tài liệu dùng use_audio_in_video nhất quán trong tiền xử lý và tạo đầu ra, và thẻ cảnh báo rằng thay đổi thiết lập này giữa các lượt hội thoại có thể gây kết quả ngoài dự kiến. Vì vậy, câu hỏi chỉ về cảnh và câu hỏi nghe nhìn cần chuẩn bị khác nhau. Giữ đoạn gốc sẵn có, chọn khoảng liên quan và tránh bỏ đường âm thanh khi kết luận được yêu cầu phụ thuộc vào điều được nói hoặc nghe.\n\nCấu hình văn bản công bố đặt max_position_embeddings thành 65.536. Các ví dụ vLLM trên thẻ dùng riêng độ dài mô hình 32.768 token và mức tạo đầu ra 16.384 token. Chúng thể hiện ví dụ suy luận đã cấu hình thay vì một giới hạn đầu ra tối đa phổ quát duy nhất. Nội dung đa phương tiện được biểu diễn qua bộ xử lý, nên kích thước yêu cầu không chỉ là số ký tự gõ vào. Dành chỗ cho kết quả văn bản và dùng đoạn nguồn có giới hạn khi bản ghi dài chỉ có một sự kiện ngắn liên quan đến câu hỏi.\n\nNhà sản xuất minh họa quy trình Transformers và vLLM, với hỗ trợ bộ xử lý và giải mã nội dung đa phương tiện là những phụ thuộc rõ ràng. Thẻ chung cũng ghi nhận khác biệt giao diện, gồm xử lý video và âm thanh riêng trong một ví dụ triển khai phục vụ. Chọn đúng checkpoint Thinking và đường xử lý được hỗ trợ thay vì giả định mọi ví dụ trên thẻ của họ mô hình có cùng hành vi đầu ra. Các giọng nói và điều khiển Talker trên trang đó áp dụng cho Instruct, không phải mô hình chỉ có Thinker này.\n\nĐể có kết quả cuối hữu ích, yêu cầu giải thích dựa trên bằng chứng và kết luận được tách rõ. Trong bài toán hình ảnh, giữ đơn vị, ký hiệu và nhãn; với âm thanh, phân biệt nội dung nghe được với nguồn suy đoán; trong video, phân biệt hành động quan sát được với diễn giải ý định. Kiểm tra kết quả với tài liệu được cung cấp và chỉ rõ chi tiết bất định hoặc không đọc được. Câu trả lời văn bản của mô hình có thể hỗ trợ phân tích hoặc một bước ứng dụng sau đó, còn mọi thực thi công cụ, xác nhận sự thật hoặc biến đổi nội dung đa phương tiện vẫn là thao tác riêng cần đầu vào và kết quả riêng.", "editorialOverlay": { "copy_fields": { "practical_html": "Ví dụ kỹ thuật bằng tiếng Anh
Reconcile demonstration annotations\n\nAnalyze these supplied text annotations of a demonstration. T0 visual note: valve indicator reads Closed. T1 speech transcript: "I am opening the valve now." T2 visual note: indicator still reads Closed; valve mechanism is off camera. State what each source establishes, whether successful opening is confirmed and what evidence would resolve the discrepancy.An evidence table separating visual notes from quoted speech, followed by a conclusion and one verification need.Check that a spoken intention is not treated as proof of the off-camera action or a faulty indicator.Qwen/Qwen3-Omni-30B-A3B-ThinkingQwen3-Omni-30B-A3B-Thinking suy luận trên văn bản, hình ảnh, âm thanh và video rồi trả về văn bản. Bản chỉ có Thinker này phù hợp với toán học qua hình ảnh, phân tích âm thanh và câu hỏi cần bằng chứng từ nhiều phương thức; tạo lời nói thuộc một bản Omni khác.
Mô tả này trình bày khả năng của mô hình. Đầu vào, đầu ra và tùy chọn có trên Ailoot được liệt kê bên dưới cho phương thức đã chọn.
Qwen3-Omni-30B-A3B-Thinking là thành viên thiên về suy luận của Qwen3-Omni. Mô hình hiểu văn bản, hình ảnh, âm thanh và video, kể cả kết hợp chúng trong cùng cuộc hội thoại, và tạo kết quả văn bản. Bản Thinking cụ thể chứa thành phần Thinker và được trang bị cho suy luận; không có Talker dùng cho đầu ra nói trong checkpoint Instruct. Sự khác biệt này quan trọng khi chọn mô hình cho báo cáo phân tích thay vì hội thoại có giọng nói.
Nhà sản xuất mô tả Qwen3-Omni là họ hỗn hợp chuyên gia đa ngôn ngữ với 119 ngôn ngữ văn bản và 19 ngôn ngữ đầu vào lời nói. Tiếng Nga xuất hiện trong danh sách đầu vào lời nói đã công bố. Cấu hình Thinking cụ thể có 48 lớp transformer văn bản, 128 chuyên gia và tám chuyên gia được chọn cho mỗi token. Mô hình còn có các thành phần xử lý âm thanh và thị giác. Đây là đặc điểm của checkpoint có tên này; không nên thay khả năng hiểu đa phương thức của nó bằng khả năng của mô hình Qwen3 thuần văn bản có nhãn kích thước tương tự.
Các tài liệu hướng dẫn sử dụng bao quát nhận dạng và dịch lời nói, phân tích âm nhạc và âm thanh môi trường, âm thanh hỗn hợp, câu hỏi hình ảnh, OCR, định vị đối tượng, mô tả video và câu hỏi nghe nhìn. Toán học trong hình ảnh đặc biệt nhấn mạnh bản Thinking. Với bài hình học, cung cấp toàn bộ sơ đồ, nhãn đọc được và câu hỏi, rồi yêu cầu lời giải phân biệt dữ kiện nhìn thấy với giả định. Với phần trình diễn được ghi lại, chỉ ra hành động hoặc sai lệch cần khảo sát và yêu cầu quan sát gắn với các phần liên quan của tài liệu. Sản phẩm mong đợi có thể là lời giải viết, danh sách quan sát có cấu trúc hoặc giải thích những gì bằng chứng hỗ trợ.
Chuẩn bị đầu vào như cuộc hội thoại đa phương thức bằng bộ xử lý và mẫu hội thoại tương ứng. Bộ công cụ xử lý của nhà sản xuất xử lý văn bản, hình ảnh, âm thanh và video xen kẽ. Qwen mô tả phản hồi văn bản theo luồng là một phần của thiết kế tương tác trong họ mô hình và minh họa suy luận theo lô với nội dung đa phương tiện hỗn hợp nhưng chỉ trả về văn bản. Trong mỗi lượt hội thoại, nhà sản xuất khuyến nghị có chỉ dẫn văn bản rõ ràng bên cạnh nội dung đa phương tiện. Một video đơn lẻ khiến nhiệm vụ mơ hồ: hãy nêu cần tóm tắt hành động, so sánh hai cảnh, giải thích âm thanh hay giải bài toán được hiển thị. Gắn nhãn nhiều đầu vào và mối quan hệ giữa chúng để văn bản cuối nối đúng câu hỏi với đúng tài liệu.
Với video chứa lời nói hoặc âm thanh sự kiện, quyết định âm thanh của nó có thuộc nhiệm vụ hay không. Luồng được ghi trong tài liệu dùng use_audio_in_video nhất quán trong tiền xử lý và tạo đầu ra, và thẻ cảnh báo rằng thay đổi thiết lập này giữa các lượt hội thoại có thể gây kết quả ngoài dự kiến. Vì vậy, câu hỏi chỉ về cảnh và câu hỏi nghe nhìn cần chuẩn bị khác nhau. Giữ đoạn gốc sẵn có, chọn khoảng liên quan và tránh bỏ đường âm thanh khi kết luận được yêu cầu phụ thuộc vào điều được nói hoặc nghe.
Cấu hình văn bản công bố đặt max_position_embeddings thành 65.536. Các ví dụ vLLM trên thẻ dùng riêng độ dài mô hình 32.768 token và mức tạo đầu ra 16.384 token. Chúng thể hiện ví dụ suy luận đã cấu hình thay vì một giới hạn đầu ra tối đa phổ quát duy nhất. Nội dung đa phương tiện được biểu diễn qua bộ xử lý, nên kích thước yêu cầu không chỉ là số ký tự gõ vào. Dành chỗ cho kết quả văn bản và dùng đoạn nguồn có giới hạn khi bản ghi dài chỉ có một sự kiện ngắn liên quan đến câu hỏi.
Nhà sản xuất minh họa quy trình Transformers và vLLM, với hỗ trợ bộ xử lý và giải mã nội dung đa phương tiện là những phụ thuộc rõ ràng. Thẻ chung cũng ghi nhận khác biệt giao diện, gồm xử lý video và âm thanh riêng trong một ví dụ triển khai phục vụ. Chọn đúng checkpoint Thinking và đường xử lý được hỗ trợ thay vì giả định mọi ví dụ trên thẻ của họ mô hình có cùng hành vi đầu ra. Các giọng nói và điều khiển Talker trên trang đó áp dụng cho Instruct, không phải mô hình chỉ có Thinker này.
Để có kết quả cuối hữu ích, yêu cầu giải thích dựa trên bằng chứng và kết luận được tách rõ. Trong bài toán hình ảnh, giữ đơn vị, ký hiệu và nhãn; với âm thanh, phân biệt nội dung nghe được với nguồn suy đoán; trong video, phân biệt hành động quan sát được với diễn giải ý định. Kiểm tra kết quả với tài liệu được cung cấp và chỉ rõ chi tiết bất định hoặc không đọc được. Câu trả lời văn bản của mô hình có thể hỗ trợ phân tích hoặc một bước ứng dụng sau đó, còn mọi thực thi công cụ, xác nhận sự thật hoặc biến đổi nội dung đa phương tiện vẫn là thao tác riêng cần đầu vào và kết quả riêng.
POST /v1/chat/completionstexttext| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn Qwen/Qwen3-Omni-30B-A3B-Thinking | Mặc định— |
Trườngmessages | Loạimessage[] | Yêu cầuBắt buộc | Giá trị & giới hạn Số mục tối thiểu: 1 | Mặc định— |
Trườngmessages[].role | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn Ví dụ: system, user, assistant, tool, function Điều kiện: Các vai trò này được biểu diễn rõ trong các kiểu tương thích của mã nguồn; tập vai trò chính xác vẫn tùy từng mô hình. Tùy thuộc vào mô hình | Mặc định— |
Trườngmessages[].content | Loạistring|content_part[]|null | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].tool_calls | Loạitool_call[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].tool_call_id | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Áp dụng khi: role=tool; dùng ID thực tế được trả về | Mặc định— |
Trườngmessages[].name | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].reasoning_content | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Áp dụng khi: Gửi lại dữ liệu suy luận thực tế đã được trả về khi mô hình này sử dụng dữ liệu đó | Mặc định— |
Trườngmessages[].reasoning_details | Loạiobject|array | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngmax_tokens | Loạiinteger | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tối thiểu: 1 Tùy thuộc vào mô hình | Mặc định— |
Trườngmax_completion_tokens | Loạiinteger | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tối thiểu: 1 Tùy thuộc vào mô hình | Mặc định— |
Trườngstream | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc địnhfalse |
Trườngstream_options.include_usage | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtemperature | Loạinumber | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtop_p | Loạinumber | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngstop | Loạistring|string[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtools | Loạifunction_tool[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtools[].type | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn function Tùy thuộc vào mô hình | Mặc định— |
Trườngtools[].function.name | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn Áp dụng khi: Có cung cấp công cụ hàm | Mặc định— |
Trườngtools[].function.description | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngtools[].function.parameters | LoạiJSON_schema | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngtool_choice | Loạistring|object | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngparallel_tool_calls | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngresponse_format | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngreasoning_effort | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngreasoning | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngservice_tier | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườnginstructions | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Trường tương thích | Mặc định— |
Trườngfunctions | Loạifunction[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngfunction_call | Loạistring|object | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngprompt_cache_options | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngmodalities | Loạistring[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn text | Mặc định— |
Trườngprovider | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Điều kiện: provider.options bị từ chối trên tuyến văn bản Ultra này | Mặc định— |
Trườngcache_control.ttl | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Điều kiện: 1h bị từ chối tại các vị trí lưu đệm prompt thực tế | Mặc định— |
Văn bản · Văn bản UTF8
messages[].content
| Tham số | Hợp đồng |
|---|---|
Tham sốcontent_type | Hợp đồngapplication/json |
Tham sốrequired | Hợp đồngmodel, messages |
Tham sốmaterial_types | Hợp đồngtext |
Tham sốmessages | Hợp đồngMảng thông điệp có cấu trúc role/content |
Tham sốfile_material | Hợp đồngTài liệu UTF-8 thực tế được chèn nguyên dạng văn bản; không suy ra ID tệp |
Tham sốoptional_controls | Hợp đồngstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Tham sốcontrol_scope | Hợp đồngTùy từng mô hình; công cụ hàm của người dùng khác với công cụ do dịch vụ cung cấp |
Tham sốoutput_modalities | Hợp đồngtext |
Tham sốhosted_operations | Hợp đồngfalse |
Tham sốmultimodal_input_binding | Hợp đồngnull |
Vòng đời: synchronous_or_streamed
Gửi ID mô hình chính xác cùng messages.
Độ dài ngữ cảnh không phải giới hạn đầu ra.
Tệp văn bản có thể cung cấp nguyên văn nội dung; đầu vào hình ảnh, âm thanh hoặc đối tượng tệp cần có liên kết chính xác.
Thông tin biểu giá không bổ sung tùy chọn yêu cầu. Các tham số được hỗ trợ nằm trong phương thức đã chọn.
| Cấu hình | Biểu mức phí | Phí |
|---|---|---|
| Cấu hìnhGiá cơ sở cho token | Biểu mức phíMức phí cơ bản | Phí Đầu vào · Token đầu vào $0.0002 / 1K token Đầu ra · Token đầu ra $0.0008 / 1K token Đầu vào · Đọc bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "Qwen/Qwen3-Omni-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-Omni-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-Omni-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 hoặc SSE
Lưu mọi phản hồi hoàn chỉnh, tệp và phần nội dung được trả về.
Giữ mọi phương án trả lời cùng nội dung, lệnh gọi công cụ và dữ liệu suy luận của phương án đó. Với SSE, ghép các phần thay đổi theo chỉ số phương án và công cụ, giữ lý do kết thúc cuối cùng cùng dữ liệu sử dụng.
Giữ ID và header của yêu cầu, phản hồi. Không cung cấp URL chung để truy xuất tác vụ văn bản.
| Trường | Loại |
|---|---|
Trườngchoices[].index | Loạiinteger |
Trườngchoices[].message.content | Loạistring|null |
Trườngchoices[].message.tool_calls | Loạitool_call[] |
Trườngchoices[].message.reasoning_content | Loạistring |
Trườngchoices[].message.reasoning_details | Loạiobject|array |
Trườngchoices[].finish_reason | Loạistring|null |
Trườngusage | Loạiobject |
| Phản hồi | Điều kiện | Bước tiếp theo |
|---|---|---|
Phản hồi400 · invalid_request_error | Điều kiệnTrường bắt buộc, cách biểu diễn tài liệu hoặc giá trị tham số không hợp lệ | Bước tiếp theoSửa các trường được chỉ ra trước khi gửi yêu cầu tạo mới. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Thinking
Dùng các đường dẫn phương thức hiển thị ở trên.
Qwen/Qwen3-Omni-30B-A3B-ThinkingQwen3-Omni-30B-A3B-Thinking suy luận trên văn bản, hình ảnh, âm thanh và video rồi trả về văn bản. Bản chỉ có Thinker này phù hợp với toán học qua hình ảnh, phân tích âm thanh và câu hỏi cần bằng chứng từ nhiều phương thức; tạo lời nói thuộc một bản Omni khác.
Mô tả này trình bày khả năng của mô hình. Đầu vào, đầu ra và tùy chọn có trên Ailoot được liệt kê bên dưới cho phương thức đã chọn.
Qwen3-Omni-30B-A3B-Thinking là thành viên thiên về suy luận của Qwen3-Omni. Mô hình hiểu văn bản, hình ảnh, âm thanh và video, kể cả kết hợp chúng trong cùng cuộc hội thoại, và tạo kết quả văn bản. Bản Thinking cụ thể chứa thành phần Thinker và được trang bị cho suy luận; không có Talker dùng cho đầu ra nói trong checkpoint Instruct. Sự khác biệt này quan trọng khi chọn mô hình cho báo cáo phân tích thay vì hội thoại có giọng nói.
Nhà sản xuất mô tả Qwen3-Omni là họ hỗn hợp chuyên gia đa ngôn ngữ với 119 ngôn ngữ văn bản và 19 ngôn ngữ đầu vào lời nói. Tiếng Nga xuất hiện trong danh sách đầu vào lời nói đã công bố. Cấu hình Thinking cụ thể có 48 lớp transformer văn bản, 128 chuyên gia và tám chuyên gia được chọn cho mỗi token. Mô hình còn có các thành phần xử lý âm thanh và thị giác. Đây là đặc điểm của checkpoint có tên này; không nên thay khả năng hiểu đa phương thức của nó bằng khả năng của mô hình Qwen3 thuần văn bản có nhãn kích thước tương tự.
Các tài liệu hướng dẫn sử dụng bao quát nhận dạng và dịch lời nói, phân tích âm nhạc và âm thanh môi trường, âm thanh hỗn hợp, câu hỏi hình ảnh, OCR, định vị đối tượng, mô tả video và câu hỏi nghe nhìn. Toán học trong hình ảnh đặc biệt nhấn mạnh bản Thinking. Với bài hình học, cung cấp toàn bộ sơ đồ, nhãn đọc được và câu hỏi, rồi yêu cầu lời giải phân biệt dữ kiện nhìn thấy với giả định. Với phần trình diễn được ghi lại, chỉ ra hành động hoặc sai lệch cần khảo sát và yêu cầu quan sát gắn với các phần liên quan của tài liệu. Sản phẩm mong đợi có thể là lời giải viết, danh sách quan sát có cấu trúc hoặc giải thích những gì bằng chứng hỗ trợ.
Chuẩn bị đầu vào như cuộc hội thoại đa phương thức bằng bộ xử lý và mẫu hội thoại tương ứng. Bộ công cụ xử lý của nhà sản xuất xử lý văn bản, hình ảnh, âm thanh và video xen kẽ. Qwen mô tả phản hồi văn bản theo luồng là một phần của thiết kế tương tác trong họ mô hình và minh họa suy luận theo lô với nội dung đa phương tiện hỗn hợp nhưng chỉ trả về văn bản. Trong mỗi lượt hội thoại, nhà sản xuất khuyến nghị có chỉ dẫn văn bản rõ ràng bên cạnh nội dung đa phương tiện. Một video đơn lẻ khiến nhiệm vụ mơ hồ: hãy nêu cần tóm tắt hành động, so sánh hai cảnh, giải thích âm thanh hay giải bài toán được hiển thị. Gắn nhãn nhiều đầu vào và mối quan hệ giữa chúng để văn bản cuối nối đúng câu hỏi với đúng tài liệu.
Với video chứa lời nói hoặc âm thanh sự kiện, quyết định âm thanh của nó có thuộc nhiệm vụ hay không. Luồng được ghi trong tài liệu dùng use_audio_in_video nhất quán trong tiền xử lý và tạo đầu ra, và thẻ cảnh báo rằng thay đổi thiết lập này giữa các lượt hội thoại có thể gây kết quả ngoài dự kiến. Vì vậy, câu hỏi chỉ về cảnh và câu hỏi nghe nhìn cần chuẩn bị khác nhau. Giữ đoạn gốc sẵn có, chọn khoảng liên quan và tránh bỏ đường âm thanh khi kết luận được yêu cầu phụ thuộc vào điều được nói hoặc nghe.
Cấu hình văn bản công bố đặt max_position_embeddings thành 65.536. Các ví dụ vLLM trên thẻ dùng riêng độ dài mô hình 32.768 token và mức tạo đầu ra 16.384 token. Chúng thể hiện ví dụ suy luận đã cấu hình thay vì một giới hạn đầu ra tối đa phổ quát duy nhất. Nội dung đa phương tiện được biểu diễn qua bộ xử lý, nên kích thước yêu cầu không chỉ là số ký tự gõ vào. Dành chỗ cho kết quả văn bản và dùng đoạn nguồn có giới hạn khi bản ghi dài chỉ có một sự kiện ngắn liên quan đến câu hỏi.
Nhà sản xuất minh họa quy trình Transformers và vLLM, với hỗ trợ bộ xử lý và giải mã nội dung đa phương tiện là những phụ thuộc rõ ràng. Thẻ chung cũng ghi nhận khác biệt giao diện, gồm xử lý video và âm thanh riêng trong một ví dụ triển khai phục vụ. Chọn đúng checkpoint Thinking và đường xử lý được hỗ trợ thay vì giả định mọi ví dụ trên thẻ của họ mô hình có cùng hành vi đầu ra. Các giọng nói và điều khiển Talker trên trang đó áp dụng cho Instruct, không phải mô hình chỉ có Thinker này.
Để có kết quả cuối hữu ích, yêu cầu giải thích dựa trên bằng chứng và kết luận được tách rõ. Trong bài toán hình ảnh, giữ đơn vị, ký hiệu và nhãn; với âm thanh, phân biệt nội dung nghe được với nguồn suy đoán; trong video, phân biệt hành động quan sát được với diễn giải ý định. Kiểm tra kết quả với tài liệu được cung cấp và chỉ rõ chi tiết bất định hoặc không đọc được. Câu trả lời văn bản của mô hình có thể hỗ trợ phân tích hoặc một bước ứng dụng sau đó, còn mọi thực thi công cụ, xác nhận sự thật hoặc biến đổi nội dung đa phương tiện vẫn là thao tác riêng cần đầu vào và kết quả riêng.
POST /v1/messagestextjson, sse| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn Qwen/Qwen3-Omni-30B-A3B-Thinking | Mặc định— |
Trườngmessages | Loạimessage[] | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].role | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn user, assistant | Mặc định— |
Trườngmessages[].content | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmax_tokens | Loạiinteger | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngstream | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc địnhfalse |
Văn bản · Văn bản UTF-8
Chuỗi messages[].content
| Tham số | Hợp đồng |
|---|---|
Tham sốcontent_type | Hợp đồngapplication/json |
Tham sốrequired | Hợp đồngmodel, messages, max_tokens |
Tham sốoptional_controls | Hợp đồngstream |
Tham sốmaterial_types | Hợp đồngtext |
Tham sốtext_file_material | Hợp đồngĐọc tài liệu UTF-8 thực tế và đặt nội dung văn bản vào chuỗi đầu vào hoặc nội dung thông điệp được chỉ định. |
Vòng đời: synchronous_or_streamed
Thông tin biểu giá không bổ sung tùy chọn yêu cầu. Các tham số được hỗ trợ nằm trong phương thức đã chọn.
| Cấu hình | Biểu mức phí | Phí |
|---|---|---|
| Cấu hìnhGiá cơ sở cho token | Biểu mức phíMức phí cơ bản | Phí Đầu vào · Token đầu vào $0.0002 / 1K token Đầu ra · Token đầu ra $0.0008 / 1K token Đầu vào · Đọc bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →
{\n "model": "Qwen/Qwen3-Omni-30B-A3B-Thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Omni-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-Omni-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 hoặc SSE
Lưu mọi phản hồi hoàn chỉnh, tệp và phần nội dung được trả về.
Giữ mọi khối nội dung, chữ ký suy nghĩ và ID sử dụng công cụ thực tế. Ghép tất cả các phần thay đổi của khối SSE; khối văn bản đầu tiên không phải toàn bộ đầu ra.
Giữ ID và header của yêu cầu, phản hồi. Không cung cấp URL chung để truy xuất tác vụ văn bản.
| Trường | Loại |
|---|---|
Trườngid | Loạistring |
Trườngmodel | Loạistring |
Trườngcontent[] | Loạitext|thinking|tool_use|other content block |
Trườngstop_reason | Loạistring|null |
Trườngusage | Loạiobject |
| Phản hồi | Điều kiện | Bước tiếp theo |
|---|---|---|
Phản hồi400 · invalid_request_error | Điều kiệnTrường bắt buộc, cách biểu diễn tài liệu hoặc giá trị tham số không hợp lệ | Bước tiếp theoSửa các trường được chỉ ra trước khi gửi yêu cầu tạo mới. |
Ailoot Ultra Qwen/Qwen3-Omni-30B-A3B-Thinking
Dùng các đường dẫn phương thức hiển thị ở trên.
Ví dụ kỹ thuật bằng tiếng Anh
Reconcile demonstration annotations\n\nAnalyze these supplied text annotations of a demonstration. T0 visual note: valve indicator reads Closed. T1 speech transcript: "I am opening the valve now." T2 visual note: indicator still reads Closed; valve mechanism is off camera. State what each source establishes, whether successful opening is confirmed and what evidence would resolve the discrepancy.An evidence table separating visual notes from quoted speech, followed by a conclusion and one verification need.Check that a spoken intention is not treated as proof of the off-camera action or a faulty indicator.