Giới thiệu: phiên bản Thinking đa phương thức
Qwen3-VL-235B-A22B-Thinking là phiên bản hỗn hợp chuyên gia tập trung vào suy luận của Qwen3-VL. Mô hình kết hợp văn bản với hình ảnh và video, tạo câu trả lời bằng văn bản hoặc mã. Checkpoint Thinking cố định tách biệt với Qwen3-VL-235B-A22B-Instruct và các bản dựng FP8 có tên riêng. Chọn mô hình này cho câu hỏi cần nối bằng chứng thị giác với lời giải thích dài hơn, thay vì mặc định mọi phiên bản Qwen3-VL có cùng phong cách trả lời.
Tác tử thị giác và lập trình thị giác
Qwen mô tả quy trình tác tử thị giác nhận biết các thành phần trong giao diện máy tính hoặc điện thoại, diễn giải chức năng của chúng và làm việc với công cụ để hoàn thành nhiệm vụ. Mô hình cung cấp nhận thức và suy luận; ứng dụng phải kết nối và thực thi các hành động. Khi rà soát giao diện, cung cấp ảnh chụp màn hình hiện tại và mục tiêu cụ thể, sau đó yêu cầu xác định điều khiển liên quan và giải thích hành động tiếp theo. Riêng hình ảnh không cấp quyền điều khiển thiết bị.
Lập trình thị giác bao gồm tạo nội dung sơ đồ và HTML, CSS hoặc JavaScript từ hình ảnh và video. Cung cấp ảnh chụp màn hình cùng bố cục, hành vi và định dạng đầu ra có thể chỉnh sửa cần thiết. Yêu cầu cấu trúc trang và kiểu trình bày thành các sản phẩm riêng khi điều đó giúp rà soát dễ hơn. Mã tạo ra là văn bản cho quy trình phát triển; nó không chứng minh trang web đã được kết xuất hoặc ảnh nguồn đã trở thành ứng dụng hoạt động.
Nhận thức không gian
Nhà sản xuất ghi nhận suy luận về vị trí vật thể, góc nhìn và che khuất, cùng xác định vị trí hai chiều và hỗ trợ xác định vị trí ba chiều. Hỏi quan hệ cụ thể và xác định vật thể quan tâm: chẳng hạn bộ phận nào bị che, vật gì ở phía trước và manh mối thị giác nào hỗ trợ diễn giải đó. Không nên coi khả năng xác định vị trí là phép đo vật lý đã hiệu chuẩn từ ảnh bất kỳ.
Ngữ cảnh dài và video
Ngữ cảnh nguyên bản là 262,144 token. Qwen mô tả mở rộng lên khoảng một triệu qua cấu hình YaRN, và quy trình ở cấp họ với sách hoặc video dài nhiều giờ, lập chỉ mục sự kiện ở độ chi tiết từng giây. Các khả năng này phụ thuộc vào biểu diễn, lấy mẫu khung hình và cấu hình ngữ cảnh; mô tả rộng của nhà sản xuất không bảo đảm nhớ hoàn hảo mọi khung hình. Trong kho mã, Qwen khuyến nghị hệ số ngoại suy hai hoặc ba cho cơ chế vị trí xen kẽ này khi mở rộng từ 256K lên khoảng 1M, thay vì tự động sao chép hệ số bốn từ mô hình khác.
Suy luận và nhận dạng đa phương thức
Phiên bản Thinking hướng tới suy luận STEM và toán học dựa trên bằng chứng, phân tích nhân quả và câu trả lời logic nối văn bản với tư liệu thị giác. Cung cấp sơ đồ cùng định nghĩa, hoặc biểu đồ cùng câu hỏi số học chính xác. Yêu cầu các nhãn và giá trị được dùng trước phần kết luận. Qwen còn mô tả nhận dạng thị giác rộng hơn trên người, anime, sản phẩm, địa danh, thực vật và động vật. Câu trả lời nhận dạng vẫn là suy luận từ hình ảnh được cung cấp, không bảo đảm có thể gọi tên mọi vật thể hay danh tính.
OCR bao phủ 32 ngôn ngữ và được thiết kế để cải thiện khả năng đọc trong ánh sáng yếu, nhòe hoặc nghiêng, bao gồm từ vựng chuyên ngành và cấu trúc tài liệu dài. Giữ ảnh nguồn dễ đọc và yêu cầu các trường, trích dẫn hoặc bảng có cấu trúc có thể kiểm tra. Khả năng hiểu văn bản và thị giác kết hợp trong một mô hình, vì vậy câu hỏi có thể đồng thời tham chiếu đoạn tài liệu, hình minh họa và chỉ dẫn của người dùng.
Thay đổi kiến trúc
Interleaved-MRoPE phân bổ biểu diễn vị trí theo thời gian, chiều rộng và chiều cao để suy luận video. DeepStack kết hợp đặc trưng thị giác từ nhiều tầng bộ mã hóa để nắm chi tiết nhỏ hơn và cải thiện liên kết ảnh–văn bản. Căn chỉnh văn bản–dấu thời gian gắn sự kiện với tham chiếu thời gian. Cấu hình văn bản được phát hành có 94 lớp, 128 chuyên gia và tám chuyên gia được chọn cho mỗi token. Các chi tiết kiến trúc này giải thích biểu diễn đa phương thức; chúng không xác lập bảo đảm thời gian phản hồi.
Chuẩn bị đầu vào và đầu ra thị giác
Ví dụ của nhà sản xuất bao gồm một hoặc nhiều ảnh, video và yêu cầu chỉ có văn bản. Gắn nhãn từng đầu vào thị giác để câu hỏi tham chiếu rõ ràng. Bộ xử lý ảnh và video dùng ngân sách pixel riêng: ngân sách ảnh giới hạn pixel của ảnh, còn ngân sách video tính pixel trên các khung hình được lấy mẫu. Kích thước ảnh chỉ định rõ được căn theo bội số 32. Lấy mẫu video có thể điều khiển bằng tốc độ hoặc số khung hình; mặc định được ghi nhận là hai khung hình mỗi giây. Giữ dấu thời gian khi yêu cầu dòng thời gian sự kiện.
Với đoạn dài, yêu cầu sự kiện, khoảng thời gian và bằng chứng nhìn thấy thay vì tóm tắt không phân biệt. Với nhiều trang, yêu cầu kết quả tổ chức theo mã định danh trang. Các ví dụ chuẩn bị này áp dụng khả năng được ghi nhận và giúp phát hiện bỏ sót hoặc lỗi trích xuất.
Hướng dẫn tạo sinh và giới hạn
Tệp tạo sinh của checkpoint mặc định temperature 0.8, top_p 0.95 và top_k 20. Công thức đánh giá Thinking riêng của Qwen dùng temperature 0.6, presence penalty bằng không, repetition penalty 1.0 và hạn mức đầu ra 40,960 token. Đây là các thiết lập sẵn riêng của nhà sản xuất, không phải một mức trần đầu ra cứng duy nhất. Dành chỗ cho suy luận và văn bản cuối cùng bên cạnh token thị giác, đồng thời kiểm tra văn bản trích xuất, kết quả tính toán và mã tạo ra với nguồn trước khi sử dụng.
", "aboutText": "Giới thiệu: phiên bản Thinking đa phương thức\n\nQwen3-VL-235B-A22B-Thinking là phiên bản hỗn hợp chuyên gia tập trung vào suy luận của Qwen3-VL. Mô hình kết hợp văn bản với hình ảnh và video, tạo câu trả lời bằng văn bản hoặc mã. Checkpoint Thinking cố định tách biệt với Qwen3-VL-235B-A22B-Instruct và các bản dựng FP8 có tên riêng. Chọn mô hình này cho câu hỏi cần nối bằng chứng thị giác với lời giải thích dài hơn, thay vì mặc định mọi phiên bản Qwen3-VL có cùng phong cách trả lời.\n\nTác tử thị giác và lập trình thị giác\n\nQwen mô tả quy trình tác tử thị giác nhận biết các thành phần trong giao diện máy tính hoặc điện thoại, diễn giải chức năng của chúng và làm việc với công cụ để hoàn thành nhiệm vụ. Mô hình cung cấp nhận thức và suy luận; ứng dụng phải kết nối và thực thi các hành động. Khi rà soát giao diện, cung cấp ảnh chụp màn hình hiện tại và mục tiêu cụ thể, sau đó yêu cầu xác định điều khiển liên quan và giải thích hành động tiếp theo. Riêng hình ảnh không cấp quyền điều khiển thiết bị.\n\nLập trình thị giác bao gồm tạo nội dung sơ đồ và HTML, CSS hoặc JavaScript từ hình ảnh và video. Cung cấp ảnh chụp màn hình cùng bố cục, hành vi và định dạng đầu ra có thể chỉnh sửa cần thiết. Yêu cầu cấu trúc trang và kiểu trình bày thành các sản phẩm riêng khi điều đó giúp rà soát dễ hơn. Mã tạo ra là văn bản cho quy trình phát triển; nó không chứng minh trang web đã được kết xuất hoặc ảnh nguồn đã trở thành ứng dụng hoạt động.\n\nNhận thức không gian\n\nNhà sản xuất ghi nhận suy luận về vị trí vật thể, góc nhìn và che khuất, cùng xác định vị trí hai chiều và hỗ trợ xác định vị trí ba chiều. Hỏi quan hệ cụ thể và xác định vật thể quan tâm: chẳng hạn bộ phận nào bị che, vật gì ở phía trước và manh mối thị giác nào hỗ trợ diễn giải đó. Không nên coi khả năng xác định vị trí là phép đo vật lý đã hiệu chuẩn từ ảnh bất kỳ.\n\nNgữ cảnh dài và video\n\nNgữ cảnh nguyên bản là 262,144 token. Qwen mô tả mở rộng lên khoảng một triệu qua cấu hình YaRN, và quy trình ở cấp họ với sách hoặc video dài nhiều giờ, lập chỉ mục sự kiện ở độ chi tiết từng giây. Các khả năng này phụ thuộc vào biểu diễn, lấy mẫu khung hình và cấu hình ngữ cảnh; mô tả rộng của nhà sản xuất không bảo đảm nhớ hoàn hảo mọi khung hình. Trong kho mã, Qwen khuyến nghị hệ số ngoại suy hai hoặc ba cho cơ chế vị trí xen kẽ này khi mở rộng từ 256K lên khoảng 1M, thay vì tự động sao chép hệ số bốn từ mô hình khác.\n\nSuy luận và nhận dạng đa phương thức\n\nPhiên bản Thinking hướng tới suy luận STEM và toán học dựa trên bằng chứng, phân tích nhân quả và câu trả lời logic nối văn bản với tư liệu thị giác. Cung cấp sơ đồ cùng định nghĩa, hoặc biểu đồ cùng câu hỏi số học chính xác. Yêu cầu các nhãn và giá trị được dùng trước phần kết luận. Qwen còn mô tả nhận dạng thị giác rộng hơn trên người, anime, sản phẩm, địa danh, thực vật và động vật. Câu trả lời nhận dạng vẫn là suy luận từ hình ảnh được cung cấp, không bảo đảm có thể gọi tên mọi vật thể hay danh tính.\n\nOCR bao phủ 32 ngôn ngữ và được thiết kế để cải thiện khả năng đọc trong ánh sáng yếu, nhòe hoặc nghiêng, bao gồm từ vựng chuyên ngành và cấu trúc tài liệu dài. Giữ ảnh nguồn dễ đọc và yêu cầu các trường, trích dẫn hoặc bảng có cấu trúc có thể kiểm tra. Khả năng hiểu văn bản và thị giác kết hợp trong một mô hình, vì vậy câu hỏi có thể đồng thời tham chiếu đoạn tài liệu, hình minh họa và chỉ dẫn của người dùng.\n\nThay đổi kiến trúc\n\nInterleaved-MRoPE phân bổ biểu diễn vị trí theo thời gian, chiều rộng và chiều cao để suy luận video. DeepStack kết hợp đặc trưng thị giác từ nhiều tầng bộ mã hóa để nắm chi tiết nhỏ hơn và cải thiện liên kết ảnh–văn bản. Căn chỉnh văn bản–dấu thời gian gắn sự kiện với tham chiếu thời gian. Cấu hình văn bản được phát hành có 94 lớp, 128 chuyên gia và tám chuyên gia được chọn cho mỗi token. Các chi tiết kiến trúc này giải thích biểu diễn đa phương thức; chúng không xác lập bảo đảm thời gian phản hồi.\n\nChuẩn bị đầu vào và đầu ra thị giác\n\nVí dụ của nhà sản xuất bao gồm một hoặc nhiều ảnh, video và yêu cầu chỉ có văn bản. Gắn nhãn từng đầu vào thị giác để câu hỏi tham chiếu rõ ràng. Bộ xử lý ảnh và video dùng ngân sách pixel riêng: ngân sách ảnh giới hạn pixel của ảnh, còn ngân sách video tính pixel trên các khung hình được lấy mẫu. Kích thước ảnh chỉ định rõ được căn theo bội số 32. Lấy mẫu video có thể điều khiển bằng tốc độ hoặc số khung hình; mặc định được ghi nhận là hai khung hình mỗi giây. Giữ dấu thời gian khi yêu cầu dòng thời gian sự kiện.\n\nVới đoạn dài, yêu cầu sự kiện, khoảng thời gian và bằng chứng nhìn thấy thay vì tóm tắt không phân biệt. Với nhiều trang, yêu cầu kết quả tổ chức theo mã định danh trang. Các ví dụ chuẩn bị này áp dụng khả năng được ghi nhận và giúp phát hiện bỏ sót hoặc lỗi trích xuất.\n\nHướng dẫn tạo sinh và giới hạn\n\nTệp tạo sinh của checkpoint mặc định temperature 0.8, top_p 0.95 và top_k 20. Công thức đánh giá Thinking riêng của Qwen dùng temperature 0.6, presence penalty bằng không, repetition penalty 1.0 và hạn mức đầu ra 40,960 token. Đây là các thiết lập sẵn riêng của nhà sản xuất, không phải một mức trần đầu ra cứng duy nhất. Dành chỗ cho suy luận và văn bản cuối cùng bên cạnh token thị giác, đồng thời kiểm tra văn bản trích xuất, kết quả tính toán và mã tạo ra với nguồn trước khi sử dụng.", "editorialOverlay": { "copy_fields": { "practical_html": "Ví dụ kỹ thuật bằng tiếng Anh
Reason from a textual circuit description\n\nUse this textual circuit description: an ideal 12 V source powers two series resistors, R1 = 2 Ω and R2 = 4 Ω. Calculate total resistance, current and voltage across each resistor. State the ideal-component assumptions and verify that the voltage drops sum to the source voltage. Return a compact worked solution using the labels R1 and R2.A labeled worked calculation and a voltage-sum consistency check.The same series current is used for both resistors and the stated voltage drops sum to 12 V.qwen/qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking là mô hình thị giác-ngôn ngữ hỗn hợp chuyên gia của Qwen cho suy luận trên văn bản, hình ảnh và video. Dùng phiên bản Thinking cho câu hỏi STEM, bằng chứng tài liệu, quan hệ không gian, lập trình thị giác và phân tích video có dấu thời gian, với ngữ cảnh nguyên bản 262,144 token.
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.
Giới thiệu: phiên bản Thinking đa phương thức
Qwen3-VL-235B-A22B-Thinking là phiên bản hỗn hợp chuyên gia tập trung vào suy luận của Qwen3-VL. Mô hình kết hợp văn bản với hình ảnh và video, tạo câu trả lời bằng văn bản hoặc mã. Checkpoint Thinking cố định tách biệt với Qwen3-VL-235B-A22B-Instruct và các bản dựng FP8 có tên riêng. Chọn mô hình này cho câu hỏi cần nối bằng chứng thị giác với lời giải thích dài hơn, thay vì mặc định mọi phiên bản Qwen3-VL có cùng phong cách trả lời.
Tác tử thị giác và lập trình thị giác
Qwen mô tả quy trình tác tử thị giác nhận biết các thành phần trong giao diện máy tính hoặc điện thoại, diễn giải chức năng của chúng và làm việc với công cụ để hoàn thành nhiệm vụ. Mô hình cung cấp nhận thức và suy luận; ứng dụng phải kết nối và thực thi các hành động. Khi rà soát giao diện, cung cấp ảnh chụp màn hình hiện tại và mục tiêu cụ thể, sau đó yêu cầu xác định điều khiển liên quan và giải thích hành động tiếp theo. Riêng hình ảnh không cấp quyền điều khiển thiết bị.
Lập trình thị giác bao gồm tạo nội dung sơ đồ và HTML, CSS hoặc JavaScript từ hình ảnh và video. Cung cấp ảnh chụp màn hình cùng bố cục, hành vi và định dạng đầu ra có thể chỉnh sửa cần thiết. Yêu cầu cấu trúc trang và kiểu trình bày thành các sản phẩm riêng khi điều đó giúp rà soát dễ hơn. Mã tạo ra là văn bản cho quy trình phát triển; nó không chứng minh trang web đã được kết xuất hoặc ảnh nguồn đã trở thành ứng dụng hoạt động.
Nhận thức không gian
Nhà sản xuất ghi nhận suy luận về vị trí vật thể, góc nhìn và che khuất, cùng xác định vị trí hai chiều và hỗ trợ xác định vị trí ba chiều. Hỏi quan hệ cụ thể và xác định vật thể quan tâm: chẳng hạn bộ phận nào bị che, vật gì ở phía trước và manh mối thị giác nào hỗ trợ diễn giải đó. Không nên coi khả năng xác định vị trí là phép đo vật lý đã hiệu chuẩn từ ảnh bất kỳ.
Ngữ cảnh dài và video
Ngữ cảnh nguyên bản là 262,144 token. Qwen mô tả mở rộng lên khoảng một triệu qua cấu hình YaRN, và quy trình ở cấp họ với sách hoặc video dài nhiều giờ, lập chỉ mục sự kiện ở độ chi tiết từng giây. Các khả năng này phụ thuộc vào biểu diễn, lấy mẫu khung hình và cấu hình ngữ cảnh; mô tả rộng của nhà sản xuất không bảo đảm nhớ hoàn hảo mọi khung hình. Trong kho mã, Qwen khuyến nghị hệ số ngoại suy hai hoặc ba cho cơ chế vị trí xen kẽ này khi mở rộng từ 256K lên khoảng 1M, thay vì tự động sao chép hệ số bốn từ mô hình khác.
Suy luận và nhận dạng đa phương thức
Phiên bản Thinking hướng tới suy luận STEM và toán học dựa trên bằng chứng, phân tích nhân quả và câu trả lời logic nối văn bản với tư liệu thị giác. Cung cấp sơ đồ cùng định nghĩa, hoặc biểu đồ cùng câu hỏi số học chính xác. Yêu cầu các nhãn và giá trị được dùng trước phần kết luận. Qwen còn mô tả nhận dạng thị giác rộng hơn trên người, anime, sản phẩm, địa danh, thực vật và động vật. Câu trả lời nhận dạng vẫn là suy luận từ hình ảnh được cung cấp, không bảo đảm có thể gọi tên mọi vật thể hay danh tính.
OCR bao phủ 32 ngôn ngữ và được thiết kế để cải thiện khả năng đọc trong ánh sáng yếu, nhòe hoặc nghiêng, bao gồm từ vựng chuyên ngành và cấu trúc tài liệu dài. Giữ ảnh nguồn dễ đọc và yêu cầu các trường, trích dẫn hoặc bảng có cấu trúc có thể kiểm tra. Khả năng hiểu văn bản và thị giác kết hợp trong một mô hình, vì vậy câu hỏi có thể đồng thời tham chiếu đoạn tài liệu, hình minh họa và chỉ dẫn của người dùng.
Thay đổi kiến trúc
Interleaved-MRoPE phân bổ biểu diễn vị trí theo thời gian, chiều rộng và chiều cao để suy luận video. DeepStack kết hợp đặc trưng thị giác từ nhiều tầng bộ mã hóa để nắm chi tiết nhỏ hơn và cải thiện liên kết ảnh–văn bản. Căn chỉnh văn bản–dấu thời gian gắn sự kiện với tham chiếu thời gian. Cấu hình văn bản được phát hành có 94 lớp, 128 chuyên gia và tám chuyên gia được chọn cho mỗi token. Các chi tiết kiến trúc này giải thích biểu diễn đa phương thức; chúng không xác lập bảo đảm thời gian phản hồi.
Chuẩn bị đầu vào và đầu ra thị giác
Ví dụ của nhà sản xuất bao gồm một hoặc nhiều ảnh, video và yêu cầu chỉ có văn bản. Gắn nhãn từng đầu vào thị giác để câu hỏi tham chiếu rõ ràng. Bộ xử lý ảnh và video dùng ngân sách pixel riêng: ngân sách ảnh giới hạn pixel của ảnh, còn ngân sách video tính pixel trên các khung hình được lấy mẫu. Kích thước ảnh chỉ định rõ được căn theo bội số 32. Lấy mẫu video có thể điều khiển bằng tốc độ hoặc số khung hình; mặc định được ghi nhận là hai khung hình mỗi giây. Giữ dấu thời gian khi yêu cầu dòng thời gian sự kiện.
Với đoạn dài, yêu cầu sự kiện, khoảng thời gian và bằng chứng nhìn thấy thay vì tóm tắt không phân biệt. Với nhiều trang, yêu cầu kết quả tổ chức theo mã định danh trang. Các ví dụ chuẩn bị này áp dụng khả năng được ghi nhận và giúp phát hiện bỏ sót hoặc lỗi trích xuất.
Hướng dẫn tạo sinh và giới hạn
Tệp tạo sinh của checkpoint mặc định temperature 0.8, top_p 0.95 và top_k 20. Công thức đánh giá Thinking riêng của Qwen dùng temperature 0.6, presence penalty bằng không, repetition penalty 1.0 và hạn mức đầu ra 40,960 token. Đây là các thiết lập sẵn riêng của nhà sản xuất, không phải một mức trần đầu ra cứng duy nhất. Dành chỗ cho suy luận và văn bản cuối cùng bên cạnh token thị giác, đồng thời kiểm tra văn bản trích xuất, kết quả tính toán và mã tạo ra với nguồn trước khi sử dụng.
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-vl-235b-a22b-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 Tùy thuộc vào mô hình | Mặc định— |
Trườngmessages[].content | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Áp dụng khi: Hội thoại văn bản | Mặc định— |
Trườngstream | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc địnhfalse |
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 |
Tham sốcontrol_scope | Hợp đồngHội thoại văn bản; stream là giá trị boolean và mặc định là false. |
Tham sốoutput_modalities | Hợp đồngtext |
Tham sốhosted_operations | Hợp đồngfalse |
Tham sốmultimodal_input_binding | Hợp đồngnull |
Bí danh phương thức: /chat/completions
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 $0.000572 / 1K token Đầu ra · Token đầu ra $0.00572 / 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-vl-235b-a22b-thinking","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="qwen/qwen3-vl-235b-a22b-thinking", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 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-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
qwen/qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking là mô hình thị giác-ngôn ngữ hỗn hợp chuyên gia của Qwen cho suy luận trên văn bản, hình ảnh và video. Dùng phiên bản Thinking cho câu hỏi STEM, bằng chứng tài liệu, quan hệ không gian, lập trình thị giác và phân tích video có dấu thời gian, với ngữ cảnh nguyên bản 262,144 token.
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.
Giới thiệu: phiên bản Thinking đa phương thức
Qwen3-VL-235B-A22B-Thinking là phiên bản hỗn hợp chuyên gia tập trung vào suy luận của Qwen3-VL. Mô hình kết hợp văn bản với hình ảnh và video, tạo câu trả lời bằng văn bản hoặc mã. Checkpoint Thinking cố định tách biệt với Qwen3-VL-235B-A22B-Instruct và các bản dựng FP8 có tên riêng. Chọn mô hình này cho câu hỏi cần nối bằng chứng thị giác với lời giải thích dài hơn, thay vì mặc định mọi phiên bản Qwen3-VL có cùng phong cách trả lời.
Tác tử thị giác và lập trình thị giác
Qwen mô tả quy trình tác tử thị giác nhận biết các thành phần trong giao diện máy tính hoặc điện thoại, diễn giải chức năng của chúng và làm việc với công cụ để hoàn thành nhiệm vụ. Mô hình cung cấp nhận thức và suy luận; ứng dụng phải kết nối và thực thi các hành động. Khi rà soát giao diện, cung cấp ảnh chụp màn hình hiện tại và mục tiêu cụ thể, sau đó yêu cầu xác định điều khiển liên quan và giải thích hành động tiếp theo. Riêng hình ảnh không cấp quyền điều khiển thiết bị.
Lập trình thị giác bao gồm tạo nội dung sơ đồ và HTML, CSS hoặc JavaScript từ hình ảnh và video. Cung cấp ảnh chụp màn hình cùng bố cục, hành vi và định dạng đầu ra có thể chỉnh sửa cần thiết. Yêu cầu cấu trúc trang và kiểu trình bày thành các sản phẩm riêng khi điều đó giúp rà soát dễ hơn. Mã tạo ra là văn bản cho quy trình phát triển; nó không chứng minh trang web đã được kết xuất hoặc ảnh nguồn đã trở thành ứng dụng hoạt động.
Nhận thức không gian
Nhà sản xuất ghi nhận suy luận về vị trí vật thể, góc nhìn và che khuất, cùng xác định vị trí hai chiều và hỗ trợ xác định vị trí ba chiều. Hỏi quan hệ cụ thể và xác định vật thể quan tâm: chẳng hạn bộ phận nào bị che, vật gì ở phía trước và manh mối thị giác nào hỗ trợ diễn giải đó. Không nên coi khả năng xác định vị trí là phép đo vật lý đã hiệu chuẩn từ ảnh bất kỳ.
Ngữ cảnh dài và video
Ngữ cảnh nguyên bản là 262,144 token. Qwen mô tả mở rộng lên khoảng một triệu qua cấu hình YaRN, và quy trình ở cấp họ với sách hoặc video dài nhiều giờ, lập chỉ mục sự kiện ở độ chi tiết từng giây. Các khả năng này phụ thuộc vào biểu diễn, lấy mẫu khung hình và cấu hình ngữ cảnh; mô tả rộng của nhà sản xuất không bảo đảm nhớ hoàn hảo mọi khung hình. Trong kho mã, Qwen khuyến nghị hệ số ngoại suy hai hoặc ba cho cơ chế vị trí xen kẽ này khi mở rộng từ 256K lên khoảng 1M, thay vì tự động sao chép hệ số bốn từ mô hình khác.
Suy luận và nhận dạng đa phương thức
Phiên bản Thinking hướng tới suy luận STEM và toán học dựa trên bằng chứng, phân tích nhân quả và câu trả lời logic nối văn bản với tư liệu thị giác. Cung cấp sơ đồ cùng định nghĩa, hoặc biểu đồ cùng câu hỏi số học chính xác. Yêu cầu các nhãn và giá trị được dùng trước phần kết luận. Qwen còn mô tả nhận dạng thị giác rộng hơn trên người, anime, sản phẩm, địa danh, thực vật và động vật. Câu trả lời nhận dạng vẫn là suy luận từ hình ảnh được cung cấp, không bảo đảm có thể gọi tên mọi vật thể hay danh tính.
OCR bao phủ 32 ngôn ngữ và được thiết kế để cải thiện khả năng đọc trong ánh sáng yếu, nhòe hoặc nghiêng, bao gồm từ vựng chuyên ngành và cấu trúc tài liệu dài. Giữ ảnh nguồn dễ đọc và yêu cầu các trường, trích dẫn hoặc bảng có cấu trúc có thể kiểm tra. Khả năng hiểu văn bản và thị giác kết hợp trong một mô hình, vì vậy câu hỏi có thể đồng thời tham chiếu đoạn tài liệu, hình minh họa và chỉ dẫn của người dùng.
Thay đổi kiến trúc
Interleaved-MRoPE phân bổ biểu diễn vị trí theo thời gian, chiều rộng và chiều cao để suy luận video. DeepStack kết hợp đặc trưng thị giác từ nhiều tầng bộ mã hóa để nắm chi tiết nhỏ hơn và cải thiện liên kết ảnh–văn bản. Căn chỉnh văn bản–dấu thời gian gắn sự kiện với tham chiếu thời gian. Cấu hình văn bản được phát hành có 94 lớp, 128 chuyên gia và tám chuyên gia được chọn cho mỗi token. Các chi tiết kiến trúc này giải thích biểu diễn đa phương thức; chúng không xác lập bảo đảm thời gian phản hồi.
Chuẩn bị đầu vào và đầu ra thị giác
Ví dụ của nhà sản xuất bao gồm một hoặc nhiều ảnh, video và yêu cầu chỉ có văn bản. Gắn nhãn từng đầu vào thị giác để câu hỏi tham chiếu rõ ràng. Bộ xử lý ảnh và video dùng ngân sách pixel riêng: ngân sách ảnh giới hạn pixel của ảnh, còn ngân sách video tính pixel trên các khung hình được lấy mẫu. Kích thước ảnh chỉ định rõ được căn theo bội số 32. Lấy mẫu video có thể điều khiển bằng tốc độ hoặc số khung hình; mặc định được ghi nhận là hai khung hình mỗi giây. Giữ dấu thời gian khi yêu cầu dòng thời gian sự kiện.
Với đoạn dài, yêu cầu sự kiện, khoảng thời gian và bằng chứng nhìn thấy thay vì tóm tắt không phân biệt. Với nhiều trang, yêu cầu kết quả tổ chức theo mã định danh trang. Các ví dụ chuẩn bị này áp dụng khả năng được ghi nhận và giúp phát hiện bỏ sót hoặc lỗi trích xuất.
Hướng dẫn tạo sinh và giới hạn
Tệp tạo sinh của checkpoint mặc định temperature 0.8, top_p 0.95 và top_k 20. Công thức đánh giá Thinking riêng của Qwen dùng temperature 0.6, presence penalty bằng không, repetition penalty 1.0 và hạn mức đầu ra 40,960 token. Đây là các thiết lập sẵn riêng của nhà sản xuất, không phải một mức trần đầu ra cứng duy nhất. Dành chỗ cho suy luận và văn bản cuối cùng bên cạnh token thị giác, đồng thời kiểm tra văn bản trích xuất, kết quả tính toán và mã tạo ra với nguồn trước khi sử dụng.
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-vl-235b-a22b-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 $0.000572 / 1K token Đầu ra · Token đầu ra $0.00572 / 1K token Đầu vào · Đọc bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →
{\n "model": "qwen/qwen3-vl-235b-a22b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-235b-a22b-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-vl-235b-a22b-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking là mô hình thị giác-ngôn ngữ hỗn hợp chuyên gia của Qwen cho suy luận trên văn bản, hình ảnh và video. Dùng phiên bản Thinking cho câu hỏi STEM, bằng chứng tài liệu, quan hệ không gian, lập trình thị giác và phân tích video có dấu thời gian, với ngữ cảnh nguyên bản 262,144 token.
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.
Giới thiệu: phiên bản Thinking đa phương thức
Qwen3-VL-235B-A22B-Thinking là phiên bản hỗn hợp chuyên gia tập trung vào suy luận của Qwen3-VL. Mô hình kết hợp văn bản với hình ảnh và video, tạo câu trả lời bằng văn bản hoặc mã. Checkpoint Thinking cố định tách biệt với Qwen3-VL-235B-A22B-Instruct và các bản dựng FP8 có tên riêng. Chọn mô hình này cho câu hỏi cần nối bằng chứng thị giác với lời giải thích dài hơn, thay vì mặc định mọi phiên bản Qwen3-VL có cùng phong cách trả lời.
Tác tử thị giác và lập trình thị giác
Qwen mô tả quy trình tác tử thị giác nhận biết các thành phần trong giao diện máy tính hoặc điện thoại, diễn giải chức năng của chúng và làm việc với công cụ để hoàn thành nhiệm vụ. Mô hình cung cấp nhận thức và suy luận; ứng dụng phải kết nối và thực thi các hành động. Khi rà soát giao diện, cung cấp ảnh chụp màn hình hiện tại và mục tiêu cụ thể, sau đó yêu cầu xác định điều khiển liên quan và giải thích hành động tiếp theo. Riêng hình ảnh không cấp quyền điều khiển thiết bị.
Lập trình thị giác bao gồm tạo nội dung sơ đồ và HTML, CSS hoặc JavaScript từ hình ảnh và video. Cung cấp ảnh chụp màn hình cùng bố cục, hành vi và định dạng đầu ra có thể chỉnh sửa cần thiết. Yêu cầu cấu trúc trang và kiểu trình bày thành các sản phẩm riêng khi điều đó giúp rà soát dễ hơn. Mã tạo ra là văn bản cho quy trình phát triển; nó không chứng minh trang web đã được kết xuất hoặc ảnh nguồn đã trở thành ứng dụng hoạt động.
Nhận thức không gian
Nhà sản xuất ghi nhận suy luận về vị trí vật thể, góc nhìn và che khuất, cùng xác định vị trí hai chiều và hỗ trợ xác định vị trí ba chiều. Hỏi quan hệ cụ thể và xác định vật thể quan tâm: chẳng hạn bộ phận nào bị che, vật gì ở phía trước và manh mối thị giác nào hỗ trợ diễn giải đó. Không nên coi khả năng xác định vị trí là phép đo vật lý đã hiệu chuẩn từ ảnh bất kỳ.
Ngữ cảnh dài và video
Ngữ cảnh nguyên bản là 262,144 token. Qwen mô tả mở rộng lên khoảng một triệu qua cấu hình YaRN, và quy trình ở cấp họ với sách hoặc video dài nhiều giờ, lập chỉ mục sự kiện ở độ chi tiết từng giây. Các khả năng này phụ thuộc vào biểu diễn, lấy mẫu khung hình và cấu hình ngữ cảnh; mô tả rộng của nhà sản xuất không bảo đảm nhớ hoàn hảo mọi khung hình. Trong kho mã, Qwen khuyến nghị hệ số ngoại suy hai hoặc ba cho cơ chế vị trí xen kẽ này khi mở rộng từ 256K lên khoảng 1M, thay vì tự động sao chép hệ số bốn từ mô hình khác.
Suy luận và nhận dạng đa phương thức
Phiên bản Thinking hướng tới suy luận STEM và toán học dựa trên bằng chứng, phân tích nhân quả và câu trả lời logic nối văn bản với tư liệu thị giác. Cung cấp sơ đồ cùng định nghĩa, hoặc biểu đồ cùng câu hỏi số học chính xác. Yêu cầu các nhãn và giá trị được dùng trước phần kết luận. Qwen còn mô tả nhận dạng thị giác rộng hơn trên người, anime, sản phẩm, địa danh, thực vật và động vật. Câu trả lời nhận dạng vẫn là suy luận từ hình ảnh được cung cấp, không bảo đảm có thể gọi tên mọi vật thể hay danh tính.
OCR bao phủ 32 ngôn ngữ và được thiết kế để cải thiện khả năng đọc trong ánh sáng yếu, nhòe hoặc nghiêng, bao gồm từ vựng chuyên ngành và cấu trúc tài liệu dài. Giữ ảnh nguồn dễ đọc và yêu cầu các trường, trích dẫn hoặc bảng có cấu trúc có thể kiểm tra. Khả năng hiểu văn bản và thị giác kết hợp trong một mô hình, vì vậy câu hỏi có thể đồng thời tham chiếu đoạn tài liệu, hình minh họa và chỉ dẫn của người dùng.
Thay đổi kiến trúc
Interleaved-MRoPE phân bổ biểu diễn vị trí theo thời gian, chiều rộng và chiều cao để suy luận video. DeepStack kết hợp đặc trưng thị giác từ nhiều tầng bộ mã hóa để nắm chi tiết nhỏ hơn và cải thiện liên kết ảnh–văn bản. Căn chỉnh văn bản–dấu thời gian gắn sự kiện với tham chiếu thời gian. Cấu hình văn bản được phát hành có 94 lớp, 128 chuyên gia và tám chuyên gia được chọn cho mỗi token. Các chi tiết kiến trúc này giải thích biểu diễn đa phương thức; chúng không xác lập bảo đảm thời gian phản hồi.
Chuẩn bị đầu vào và đầu ra thị giác
Ví dụ của nhà sản xuất bao gồm một hoặc nhiều ảnh, video và yêu cầu chỉ có văn bản. Gắn nhãn từng đầu vào thị giác để câu hỏi tham chiếu rõ ràng. Bộ xử lý ảnh và video dùng ngân sách pixel riêng: ngân sách ảnh giới hạn pixel của ảnh, còn ngân sách video tính pixel trên các khung hình được lấy mẫu. Kích thước ảnh chỉ định rõ được căn theo bội số 32. Lấy mẫu video có thể điều khiển bằng tốc độ hoặc số khung hình; mặc định được ghi nhận là hai khung hình mỗi giây. Giữ dấu thời gian khi yêu cầu dòng thời gian sự kiện.
Với đoạn dài, yêu cầu sự kiện, khoảng thời gian và bằng chứng nhìn thấy thay vì tóm tắt không phân biệt. Với nhiều trang, yêu cầu kết quả tổ chức theo mã định danh trang. Các ví dụ chuẩn bị này áp dụng khả năng được ghi nhận và giúp phát hiện bỏ sót hoặc lỗi trích xuất.
Hướng dẫn tạo sinh và giới hạn
Tệp tạo sinh của checkpoint mặc định temperature 0.8, top_p 0.95 và top_k 20. Công thức đánh giá Thinking riêng của Qwen dùng temperature 0.6, presence penalty bằng không, repetition penalty 1.0 và hạn mức đầu ra 40,960 token. Đây là các thiết lập sẵn riêng của nhà sản xuất, không phải một mức trần đầu ra cứng duy nhất. Dành chỗ cho suy luận và văn bản cuối cùng bên cạnh token thị giác, đồng thời kiểm tra văn bản trích xuất, kết quả tính toán và mã tạo ra với nguồn trước khi sử dụng.
POST /v1/chat/completionstexttext| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn qwen3-vl-235b-a22b-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 $0.000572 / 1K token Đầu ra · Token đầu ra $0.00572 / 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": "qwen3-vl-235b-a22b-thinking", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen3-vl-235b-a22b-thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen3-vl-235b-a22b-thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
qwen3-vl-235b-a22b-thinkingQwen3-VL-235B-A22B-Thinking là mô hình thị giác-ngôn ngữ hỗn hợp chuyên gia của Qwen cho suy luận trên văn bản, hình ảnh và video. Dùng phiên bản Thinking cho câu hỏi STEM, bằng chứng tài liệu, quan hệ không gian, lập trình thị giác và phân tích video có dấu thời gian, với ngữ cảnh nguyên bản 262,144 token.
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.
Giới thiệu: phiên bản Thinking đa phương thức
Qwen3-VL-235B-A22B-Thinking là phiên bản hỗn hợp chuyên gia tập trung vào suy luận của Qwen3-VL. Mô hình kết hợp văn bản với hình ảnh và video, tạo câu trả lời bằng văn bản hoặc mã. Checkpoint Thinking cố định tách biệt với Qwen3-VL-235B-A22B-Instruct và các bản dựng FP8 có tên riêng. Chọn mô hình này cho câu hỏi cần nối bằng chứng thị giác với lời giải thích dài hơn, thay vì mặc định mọi phiên bản Qwen3-VL có cùng phong cách trả lời.
Tác tử thị giác và lập trình thị giác
Qwen mô tả quy trình tác tử thị giác nhận biết các thành phần trong giao diện máy tính hoặc điện thoại, diễn giải chức năng của chúng và làm việc với công cụ để hoàn thành nhiệm vụ. Mô hình cung cấp nhận thức và suy luận; ứng dụng phải kết nối và thực thi các hành động. Khi rà soát giao diện, cung cấp ảnh chụp màn hình hiện tại và mục tiêu cụ thể, sau đó yêu cầu xác định điều khiển liên quan và giải thích hành động tiếp theo. Riêng hình ảnh không cấp quyền điều khiển thiết bị.
Lập trình thị giác bao gồm tạo nội dung sơ đồ và HTML, CSS hoặc JavaScript từ hình ảnh và video. Cung cấp ảnh chụp màn hình cùng bố cục, hành vi và định dạng đầu ra có thể chỉnh sửa cần thiết. Yêu cầu cấu trúc trang và kiểu trình bày thành các sản phẩm riêng khi điều đó giúp rà soát dễ hơn. Mã tạo ra là văn bản cho quy trình phát triển; nó không chứng minh trang web đã được kết xuất hoặc ảnh nguồn đã trở thành ứng dụng hoạt động.
Nhận thức không gian
Nhà sản xuất ghi nhận suy luận về vị trí vật thể, góc nhìn và che khuất, cùng xác định vị trí hai chiều và hỗ trợ xác định vị trí ba chiều. Hỏi quan hệ cụ thể và xác định vật thể quan tâm: chẳng hạn bộ phận nào bị che, vật gì ở phía trước và manh mối thị giác nào hỗ trợ diễn giải đó. Không nên coi khả năng xác định vị trí là phép đo vật lý đã hiệu chuẩn từ ảnh bất kỳ.
Ngữ cảnh dài và video
Ngữ cảnh nguyên bản là 262,144 token. Qwen mô tả mở rộng lên khoảng một triệu qua cấu hình YaRN, và quy trình ở cấp họ với sách hoặc video dài nhiều giờ, lập chỉ mục sự kiện ở độ chi tiết từng giây. Các khả năng này phụ thuộc vào biểu diễn, lấy mẫu khung hình và cấu hình ngữ cảnh; mô tả rộng của nhà sản xuất không bảo đảm nhớ hoàn hảo mọi khung hình. Trong kho mã, Qwen khuyến nghị hệ số ngoại suy hai hoặc ba cho cơ chế vị trí xen kẽ này khi mở rộng từ 256K lên khoảng 1M, thay vì tự động sao chép hệ số bốn từ mô hình khác.
Suy luận và nhận dạng đa phương thức
Phiên bản Thinking hướng tới suy luận STEM và toán học dựa trên bằng chứng, phân tích nhân quả và câu trả lời logic nối văn bản với tư liệu thị giác. Cung cấp sơ đồ cùng định nghĩa, hoặc biểu đồ cùng câu hỏi số học chính xác. Yêu cầu các nhãn và giá trị được dùng trước phần kết luận. Qwen còn mô tả nhận dạng thị giác rộng hơn trên người, anime, sản phẩm, địa danh, thực vật và động vật. Câu trả lời nhận dạng vẫn là suy luận từ hình ảnh được cung cấp, không bảo đảm có thể gọi tên mọi vật thể hay danh tính.
OCR bao phủ 32 ngôn ngữ và được thiết kế để cải thiện khả năng đọc trong ánh sáng yếu, nhòe hoặc nghiêng, bao gồm từ vựng chuyên ngành và cấu trúc tài liệu dài. Giữ ảnh nguồn dễ đọc và yêu cầu các trường, trích dẫn hoặc bảng có cấu trúc có thể kiểm tra. Khả năng hiểu văn bản và thị giác kết hợp trong một mô hình, vì vậy câu hỏi có thể đồng thời tham chiếu đoạn tài liệu, hình minh họa và chỉ dẫn của người dùng.
Thay đổi kiến trúc
Interleaved-MRoPE phân bổ biểu diễn vị trí theo thời gian, chiều rộng và chiều cao để suy luận video. DeepStack kết hợp đặc trưng thị giác từ nhiều tầng bộ mã hóa để nắm chi tiết nhỏ hơn và cải thiện liên kết ảnh–văn bản. Căn chỉnh văn bản–dấu thời gian gắn sự kiện với tham chiếu thời gian. Cấu hình văn bản được phát hành có 94 lớp, 128 chuyên gia và tám chuyên gia được chọn cho mỗi token. Các chi tiết kiến trúc này giải thích biểu diễn đa phương thức; chúng không xác lập bảo đảm thời gian phản hồi.
Chuẩn bị đầu vào và đầu ra thị giác
Ví dụ của nhà sản xuất bao gồm một hoặc nhiều ảnh, video và yêu cầu chỉ có văn bản. Gắn nhãn từng đầu vào thị giác để câu hỏi tham chiếu rõ ràng. Bộ xử lý ảnh và video dùng ngân sách pixel riêng: ngân sách ảnh giới hạn pixel của ảnh, còn ngân sách video tính pixel trên các khung hình được lấy mẫu. Kích thước ảnh chỉ định rõ được căn theo bội số 32. Lấy mẫu video có thể điều khiển bằng tốc độ hoặc số khung hình; mặc định được ghi nhận là hai khung hình mỗi giây. Giữ dấu thời gian khi yêu cầu dòng thời gian sự kiện.
Với đoạn dài, yêu cầu sự kiện, khoảng thời gian và bằng chứng nhìn thấy thay vì tóm tắt không phân biệt. Với nhiều trang, yêu cầu kết quả tổ chức theo mã định danh trang. Các ví dụ chuẩn bị này áp dụng khả năng được ghi nhận và giúp phát hiện bỏ sót hoặc lỗi trích xuất.
Hướng dẫn tạo sinh và giới hạn
Tệp tạo sinh của checkpoint mặc định temperature 0.8, top_p 0.95 và top_k 20. Công thức đánh giá Thinking riêng của Qwen dùng temperature 0.6, presence penalty bằng không, repetition penalty 1.0 và hạn mức đầu ra 40,960 token. Đây là các thiết lập sẵn riêng của nhà sản xuất, không phải một mức trần đầu ra cứng duy nhất. Dành chỗ cho suy luận và văn bản cuối cùng bên cạnh token thị giác, đồng thời kiểm tra văn bản trích xuất, kết quả tính toán và mã tạo ra với nguồn trước khi sử dụng.
POST /v1/messagestextjson, sse| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn qwen3-vl-235b-a22b-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 $0.000572 / 1K token Đầu ra · Token đầu ra $0.00572 / 1K token Đầu vào · Đọc bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →
{\n "model": "qwen3-vl-235b-a22b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3-vl-235b-a22b-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3-vl-235b-a22b-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
/chat/completions
qwen/qwen3-vl-235b-a22b-thinking, qwen3-vl-235b-a22b-thinking
Ví dụ kỹ thuật bằng tiếng Anh
Reason from a textual circuit description\n\nUse this textual circuit description: an ideal 12 V source powers two series resistors, R1 = 2 Ω and R2 = 4 Ω. Calculate total resistance, current and voltage across each resistor. State the ideal-component assumptions and verify that the voltage drops sum to the source voltage. Return a compact worked solution using the labels R1 and R2.A labeled worked calculation and a voltage-sum consistency check.The same series current is used for both resistors and the stated voltage drops sum to 12 V.