Hlavní vlastnosti: pevné vydání Thinking-2507
Qwen3-30B-A3B-Thinking-2507 je model generování textu zaměřený na náročné uvažování. Qwen popisuje vylepšení logiky, matematiky, přírodních věd, programování, plnění instrukcí, používání nástrojů a generování textu spolu s delšími sekvencemi přemýšlení a lepším porozuměním dlouhému kontextu. Vyberte tuto přesnou edici 2507, pokud úloze prospěje soustavné uvažování, například při zkoumání soupeřících vysvětlení, řešení vícestupňového matematického problému nebo zpracování složité změny kódu.
Přehled modelu a režim
Model mixture-of-experts má celkem 30.5 miliardy parametrů a 3.3 miliardy aktivovaných parametrů, se 128 experty a osmi vybíranými pro každý token napříč 48 vrstvami. Jeho nativní kontext má 262,144 tokenů. Přijímá text a vrací text; výsledky nástrojů přicházejí prostřednictvím navazujícího postupu aplikace. Tento checkpoint podporuje pouze přemýšlení. Liší se od dřívějšího hybridního Qwen3-30B-A3B, jeho edice FP8 a Qwen3-30B-A3B-Instruct-2507. Nelze předpokládat, že zde funguje přepínač režimu bez přemýšlení z hybridního modelu.
Výchozí šablona chatu již zahajuje sekvenci uvažování otevírací značkou přemýšlení, takže výslovné nastavení enable_thinking=True není nutné. Vrácená sekvence může obsahovat uzavírací značku bez zopakování otevírací značky. Příklad výrobce odděluje uvažování od konečné odpovědi. Toto rozlišení zachovejte při požadavku na konkrétní výstup: závěr důkazu, oprava nebo rozhodovací tabulka musí být i po delším vysvětlení snadno dohledatelné.
Příprava náročné úlohy
Dodejte modelu úplné znění problému, omezení a příslušné důkazy. Při změně kódu přiložte stávající funkci, chybový vstup a očekávané chování a požadujte návrh opravy s vysvětlením krajních případů. U vědecké otázky oddělte pozorování od předpokladů a ptejte se, jaký závěr plyne z každého z nich. U dlouhých pravidel nebo specifikace zachovejte identifikátory oddílů a požadujte stručné rozhodnutí podložené příslušnými ustanoveními. Jde o praktické využití dokumentovaných oblastí uvažování, nikoli o tvrzení, že model provedl opravu nebo ověřil experiment.
Protože tato verze dokáže dlouze uvažovat, vyhraďte prostor pro uvažování i konečný výstup. Qwen doporučuje při konfiguraci modelu pokud možno zachovat kontext nad 131,072 tokenů, i když by menší kontext snížil tlak na paměť. Hodnota nativního kontextu zahrnuje rozpočet sekvence; neslibuje, že lze celý využít na dokument a přitom ponechat neomezený prostor pro odpověď.
Použití v agentech
Výrobce dokumentuje volání nástrojů a doporučuje Qwen-Agent pro šablony nástrojů a parsování, včetně integrace s nakonfigurovanými nástroji a postupů s interpretem kódu. Výslovně definujte nástroje a zamýšlený výsledek. Aplikace by například mohla modelu umožnit prozkoumat získané důkazy, použít povolenou kalkulačku a poté vytvořit zprávu vysvětlující výpočet. Vyhledávání a provádění patří připojeným nástrojům; schopnost modelu volat nástroje sama o sobě nezajišťuje přístup k internetu, prostředí pro kód nebo podnikovým systémům.
Zpracování mimořádně dlouhého textu
Qwen dokumentuje volitelný postup dosahující přibližně jednoho milionu tokenů kombinací Dual Chunk Attention s řídkou pozorností MInference. První technika dělí dlouhé sekvence na bloky při zachování interakcí mezi nimi; druhá soustředí výpočty na vybrané vztahy pozornosti. Jde o dodatečnou konfiguraci nad rámec nativního kontextu 262,144 tokenů. Postup výrobce vyžaduje jeho speciální konfiguraci dlouhého kontextu a odhaduje přibližně 240 GB celkové paměti GPU pro váhy, stav pozornosti v mezipaměti a špičkové aktivace.
Tento postup má konkrétní limity prostředků: stav sekvence v mezipaměti, paměť aktivací i celková délka vstupu mohou jednotlivě vyčerpat nakonfigurovanou kapacitu. Postup s milionem tokenů proto závisí na konfiguraci, paměti a podporované implementaci pozornosti. Při praktické kontrole dokumentů začněte relevantními materiály, označte hranice dokumentů a požadujte dohledatelné důkazy, místo abyste největší možný vstup považovali za náhradu jasné otázky.
Pokyny a limity generování
Qwen doporučuje temperature 0.6, top_p 0.95, top_k 20 a min_p 0. Pro většinu dotazů navrhuje rozpočet výstupu 32,768 tokenů a pro neobvykle náročné matematické nebo programovací problémy 81,920. Jde o doporučení rozpočtu generování, nikoli o samostatně zveřejněný pevný strop výstupu. Presence penalty mezi nulou a dvěma může omezit opakování, ale vyšší hodnoty mohou míchat jazyky nebo mírně snižovat kvalitu.
V zadání určete formát konečné odpovědi, například ohraničený matematický výsledek nebo pole odpovědi u otázky s výběrem možností. V historii konverzace uchovávejte pouze část s konečnou odpovědí, jak doporučuje výrobce. Delší uvažování je užitečné, když vede k ověřitelnému výsledku; než se na výsledek spolehnete, zkontrolujte předpoklady, výpočty a navržený kód.
", "aboutText": "Hlavní vlastnosti: pevné vydání Thinking-2507\n\nQwen3-30B-A3B-Thinking-2507 je model generování textu zaměřený na náročné uvažování. Qwen popisuje vylepšení logiky, matematiky, přírodních věd, programování, plnění instrukcí, používání nástrojů a generování textu spolu s delšími sekvencemi přemýšlení a lepším porozuměním dlouhému kontextu. Vyberte tuto přesnou edici 2507, pokud úloze prospěje soustavné uvažování, například při zkoumání soupeřících vysvětlení, řešení vícestupňového matematického problému nebo zpracování složité změny kódu.\n\nPřehled modelu a režim\n\nModel mixture-of-experts má celkem 30.5 miliardy parametrů a 3.3 miliardy aktivovaných parametrů, se 128 experty a osmi vybíranými pro každý token napříč 48 vrstvami. Jeho nativní kontext má 262,144 tokenů. Přijímá text a vrací text; výsledky nástrojů přicházejí prostřednictvím navazujícího postupu aplikace. Tento checkpoint podporuje pouze přemýšlení. Liší se od dřívějšího hybridního Qwen3-30B-A3B, jeho edice FP8 a Qwen3-30B-A3B-Instruct-2507. Nelze předpokládat, že zde funguje přepínač režimu bez přemýšlení z hybridního modelu.\n\nVýchozí šablona chatu již zahajuje sekvenci uvažování otevírací značkou přemýšlení, takže výslovné nastavení enable_thinking=True není nutné. Vrácená sekvence může obsahovat uzavírací značku bez zopakování otevírací značky. Příklad výrobce odděluje uvažování od konečné odpovědi. Toto rozlišení zachovejte při požadavku na konkrétní výstup: závěr důkazu, oprava nebo rozhodovací tabulka musí být i po delším vysvětlení snadno dohledatelné.\n\nPříprava náročné úlohy\n\nDodejte modelu úplné znění problému, omezení a příslušné důkazy. Při změně kódu přiložte stávající funkci, chybový vstup a očekávané chování a požadujte návrh opravy s vysvětlením krajních případů. U vědecké otázky oddělte pozorování od předpokladů a ptejte se, jaký závěr plyne z každého z nich. U dlouhých pravidel nebo specifikace zachovejte identifikátory oddílů a požadujte stručné rozhodnutí podložené příslušnými ustanoveními. Jde o praktické využití dokumentovaných oblastí uvažování, nikoli o tvrzení, že model provedl opravu nebo ověřil experiment.\n\nProtože tato verze dokáže dlouze uvažovat, vyhraďte prostor pro uvažování i konečný výstup. Qwen doporučuje při konfiguraci modelu pokud možno zachovat kontext nad 131,072 tokenů, i když by menší kontext snížil tlak na paměť. Hodnota nativního kontextu zahrnuje rozpočet sekvence; neslibuje, že lze celý využít na dokument a přitom ponechat neomezený prostor pro odpověď.\n\nPoužití v agentech\n\nVýrobce dokumentuje volání nástrojů a doporučuje Qwen-Agent pro šablony nástrojů a parsování, včetně integrace s nakonfigurovanými nástroji a postupů s interpretem kódu. Výslovně definujte nástroje a zamýšlený výsledek. Aplikace by například mohla modelu umožnit prozkoumat získané důkazy, použít povolenou kalkulačku a poté vytvořit zprávu vysvětlující výpočet. Vyhledávání a provádění patří připojeným nástrojům; schopnost modelu volat nástroje sama o sobě nezajišťuje přístup k internetu, prostředí pro kód nebo podnikovým systémům.\n\nZpracování mimořádně dlouhého textu\n\nQwen dokumentuje volitelný postup dosahující přibližně jednoho milionu tokenů kombinací Dual Chunk Attention s řídkou pozorností MInference. První technika dělí dlouhé sekvence na bloky při zachování interakcí mezi nimi; druhá soustředí výpočty na vybrané vztahy pozornosti. Jde o dodatečnou konfiguraci nad rámec nativního kontextu 262,144 tokenů. Postup výrobce vyžaduje jeho speciální konfiguraci dlouhého kontextu a odhaduje přibližně 240 GB celkové paměti GPU pro váhy, stav pozornosti v mezipaměti a špičkové aktivace.\n\nTento postup má konkrétní limity prostředků: stav sekvence v mezipaměti, paměť aktivací i celková délka vstupu mohou jednotlivě vyčerpat nakonfigurovanou kapacitu. Postup s milionem tokenů proto závisí na konfiguraci, paměti a podporované implementaci pozornosti. Při praktické kontrole dokumentů začněte relevantními materiály, označte hranice dokumentů a požadujte dohledatelné důkazy, místo abyste největší možný vstup považovali za náhradu jasné otázky.\n\nPokyny a limity generování\n\nQwen doporučuje temperature 0.6, top_p 0.95, top_k 20 a min_p 0. Pro většinu dotazů navrhuje rozpočet výstupu 32,768 tokenů a pro neobvykle náročné matematické nebo programovací problémy 81,920. Jde o doporučení rozpočtu generování, nikoli o samostatně zveřejněný pevný strop výstupu. Presence penalty mezi nulou a dvěma může omezit opakování, ale vyšší hodnoty mohou míchat jazyky nebo mírně snižovat kvalitu.\n\nV zadání určete formát konečné odpovědi, například ohraničený matematický výsledek nebo pole odpovědi u otázky s výběrem možností. V historii konverzace uchovávejte pouze část s konečnou odpovědí, jak doporučuje výrobce. Delší uvažování je užitečné, když vede k ověřitelnému výsledku; než se na výsledek spolehnete, zkontrolujte předpoklady, výpočty a navržený kód.", "editorialOverlay": { "copy_fields": { "practical_html": "Technický příklad v angličtině
Solve a constrained staffing assignment\n\nAssign three reviewers, Ada, Ben and Cy, to morning, afternoon and evening shifts, one each. Ada cannot work evening. Ben must work later than Ada. Cy cannot work morning. List every valid assignment and explain how each constraint eliminates alternatives. Finish with whether the assignment is unique; do not assume additional availability.An enumeration of all valid assignments, a constraint check and a separate uniqueness conclusion.Every assignment uses all three shifts once and satisfies Ben later than Ada without adding availability rules.Qwen/Qwen3-30B-A3B-Thinking-2507Qwen3-30B-A3B-Thinking-2507 je textový model Qwen výhradně s přemýšlením pro náročnou matematiku, přírodní vědy, programování a logické uvažování. Tato pevná edice 2507 poskytuje nativní kontext 262,144 tokenů a delší rozpočet pro uvažování, s dokumentovaným voláním nástrojů a podmíněnými postupy pro mimořádně dlouhý kontext.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Hlavní vlastnosti: pevné vydání Thinking-2507
Qwen3-30B-A3B-Thinking-2507 je model generování textu zaměřený na náročné uvažování. Qwen popisuje vylepšení logiky, matematiky, přírodních věd, programování, plnění instrukcí, používání nástrojů a generování textu spolu s delšími sekvencemi přemýšlení a lepším porozuměním dlouhému kontextu. Vyberte tuto přesnou edici 2507, pokud úloze prospěje soustavné uvažování, například při zkoumání soupeřících vysvětlení, řešení vícestupňového matematického problému nebo zpracování složité změny kódu.
Přehled modelu a režim
Model mixture-of-experts má celkem 30.5 miliardy parametrů a 3.3 miliardy aktivovaných parametrů, se 128 experty a osmi vybíranými pro každý token napříč 48 vrstvami. Jeho nativní kontext má 262,144 tokenů. Přijímá text a vrací text; výsledky nástrojů přicházejí prostřednictvím navazujícího postupu aplikace. Tento checkpoint podporuje pouze přemýšlení. Liší se od dřívějšího hybridního Qwen3-30B-A3B, jeho edice FP8 a Qwen3-30B-A3B-Instruct-2507. Nelze předpokládat, že zde funguje přepínač režimu bez přemýšlení z hybridního modelu.
Výchozí šablona chatu již zahajuje sekvenci uvažování otevírací značkou přemýšlení, takže výslovné nastavení enable_thinking=True není nutné. Vrácená sekvence může obsahovat uzavírací značku bez zopakování otevírací značky. Příklad výrobce odděluje uvažování od konečné odpovědi. Toto rozlišení zachovejte při požadavku na konkrétní výstup: závěr důkazu, oprava nebo rozhodovací tabulka musí být i po delším vysvětlení snadno dohledatelné.
Příprava náročné úlohy
Dodejte modelu úplné znění problému, omezení a příslušné důkazy. Při změně kódu přiložte stávající funkci, chybový vstup a očekávané chování a požadujte návrh opravy s vysvětlením krajních případů. U vědecké otázky oddělte pozorování od předpokladů a ptejte se, jaký závěr plyne z každého z nich. U dlouhých pravidel nebo specifikace zachovejte identifikátory oddílů a požadujte stručné rozhodnutí podložené příslušnými ustanoveními. Jde o praktické využití dokumentovaných oblastí uvažování, nikoli o tvrzení, že model provedl opravu nebo ověřil experiment.
Protože tato verze dokáže dlouze uvažovat, vyhraďte prostor pro uvažování i konečný výstup. Qwen doporučuje při konfiguraci modelu pokud možno zachovat kontext nad 131,072 tokenů, i když by menší kontext snížil tlak na paměť. Hodnota nativního kontextu zahrnuje rozpočet sekvence; neslibuje, že lze celý využít na dokument a přitom ponechat neomezený prostor pro odpověď.
Použití v agentech
Výrobce dokumentuje volání nástrojů a doporučuje Qwen-Agent pro šablony nástrojů a parsování, včetně integrace s nakonfigurovanými nástroji a postupů s interpretem kódu. Výslovně definujte nástroje a zamýšlený výsledek. Aplikace by například mohla modelu umožnit prozkoumat získané důkazy, použít povolenou kalkulačku a poté vytvořit zprávu vysvětlující výpočet. Vyhledávání a provádění patří připojeným nástrojům; schopnost modelu volat nástroje sama o sobě nezajišťuje přístup k internetu, prostředí pro kód nebo podnikovým systémům.
Zpracování mimořádně dlouhého textu
Qwen dokumentuje volitelný postup dosahující přibližně jednoho milionu tokenů kombinací Dual Chunk Attention s řídkou pozorností MInference. První technika dělí dlouhé sekvence na bloky při zachování interakcí mezi nimi; druhá soustředí výpočty na vybrané vztahy pozornosti. Jde o dodatečnou konfiguraci nad rámec nativního kontextu 262,144 tokenů. Postup výrobce vyžaduje jeho speciální konfiguraci dlouhého kontextu a odhaduje přibližně 240 GB celkové paměti GPU pro váhy, stav pozornosti v mezipaměti a špičkové aktivace.
Tento postup má konkrétní limity prostředků: stav sekvence v mezipaměti, paměť aktivací i celková délka vstupu mohou jednotlivě vyčerpat nakonfigurovanou kapacitu. Postup s milionem tokenů proto závisí na konfiguraci, paměti a podporované implementaci pozornosti. Při praktické kontrole dokumentů začněte relevantními materiály, označte hranice dokumentů a požadujte dohledatelné důkazy, místo abyste největší možný vstup považovali za náhradu jasné otázky.
Pokyny a limity generování
Qwen doporučuje temperature 0.6, top_p 0.95, top_k 20 a min_p 0. Pro většinu dotazů navrhuje rozpočet výstupu 32,768 tokenů a pro neobvykle náročné matematické nebo programovací problémy 81,920. Jde o doporučení rozpočtu generování, nikoli o samostatně zveřejněný pevný strop výstupu. Presence penalty mezi nulou a dvěma může omezit opakování, ale vyšší hodnoty mohou míchat jazyky nebo mírně snižovat kvalitu.
V zadání určete formát konečné odpovědi, například ohraničený matematický výsledek nebo pole odpovědi u otázky s výběrem možností. V historii konverzace uchovávejte pouze část s konečnou odpovědí, jak doporučuje výrobce. Delší uvažování je užitečné, když vede k ověřitelnému výsledku; než se na výsledek spolehnete, zkontrolujte předpoklady, výpočty a navržený kód.
POST /v1/chat/completionstexttext| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity Qwen/Qwen3-30B-A3B-Thinking-2507 | Výchozí— |
Polemessages | Typmessage[] | PožadavekPovinné | Hodnoty a limity Minimální počet položek: 1 | Výchozí— |
Polemessages[].role | Typstring | PožadavekPovinné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polemessages[].content | Typstring | PožadavekVolitelné | Hodnoty a limity Platí, když: Textová konverzace | Výchozí— |
Polestream | Typboolean | PožadavekVolitelné | Hodnoty a limity | Výchozífalse |
Text · text UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontraktpole zpráv se strukturou role/content |
Parametrfile_material | Kontraktskutečný dokument UTF-8 vložený jako doslovný text; ID souboru se neodvozuje |
Parametroptional_controls | Kontraktstream |
Parametrcontrol_scope | KontraktTextová konverzace; stream je booleovská hodnota a ve výchozím nastavení je false. |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Aliasy metody: /chat/completions
Životní cyklus: synchronous_or_streamed
Odešlete přesné ID modelu spolu s messages.
Délka kontextu není limitem výstupu.
Textový soubor může dodat doslovný text; obrazové/zvukové vstupy a vstupy v podobě souborových objektů vyžadují přesnou vazbu.
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
| Konfigurace | Tabulka sazeb | Poplatek |
|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Poplatek Vstup · Vstupní tokeny $0.0002 / 1K tokenů Výstup · Výstupní tokeny $0.0008 / 1K tokenů Vstup · Čtení z mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"Qwen/Qwen3-30B-A3B-Thinking-2507","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/Qwen3-30B-A3B-Thinking-2507", 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 nebo SSE
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Zachovejte každou volbu a její obsah/volání nástrojů/uvažování. V SSE sestavujte přírůstky podle indexu volby/nástroje a zachovejte konečný důvod ukončení i údaje o využití.
Zachovejte ID požadavků/odpovědí a hlavičky. Není dodána obecná URL pro načtení textové úlohy.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot Ultra Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
Qwen/Qwen3-30B-A3B-Thinking-2507Qwen3-30B-A3B-Thinking-2507 je textový model Qwen výhradně s přemýšlením pro náročnou matematiku, přírodní vědy, programování a logické uvažování. Tato pevná edice 2507 poskytuje nativní kontext 262,144 tokenů a delší rozpočet pro uvažování, s dokumentovaným voláním nástrojů a podmíněnými postupy pro mimořádně dlouhý kontext.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Hlavní vlastnosti: pevné vydání Thinking-2507
Qwen3-30B-A3B-Thinking-2507 je model generování textu zaměřený na náročné uvažování. Qwen popisuje vylepšení logiky, matematiky, přírodních věd, programování, plnění instrukcí, používání nástrojů a generování textu spolu s delšími sekvencemi přemýšlení a lepším porozuměním dlouhému kontextu. Vyberte tuto přesnou edici 2507, pokud úloze prospěje soustavné uvažování, například při zkoumání soupeřících vysvětlení, řešení vícestupňového matematického problému nebo zpracování složité změny kódu.
Přehled modelu a režim
Model mixture-of-experts má celkem 30.5 miliardy parametrů a 3.3 miliardy aktivovaných parametrů, se 128 experty a osmi vybíranými pro každý token napříč 48 vrstvami. Jeho nativní kontext má 262,144 tokenů. Přijímá text a vrací text; výsledky nástrojů přicházejí prostřednictvím navazujícího postupu aplikace. Tento checkpoint podporuje pouze přemýšlení. Liší se od dřívějšího hybridního Qwen3-30B-A3B, jeho edice FP8 a Qwen3-30B-A3B-Instruct-2507. Nelze předpokládat, že zde funguje přepínač režimu bez přemýšlení z hybridního modelu.
Výchozí šablona chatu již zahajuje sekvenci uvažování otevírací značkou přemýšlení, takže výslovné nastavení enable_thinking=True není nutné. Vrácená sekvence může obsahovat uzavírací značku bez zopakování otevírací značky. Příklad výrobce odděluje uvažování od konečné odpovědi. Toto rozlišení zachovejte při požadavku na konkrétní výstup: závěr důkazu, oprava nebo rozhodovací tabulka musí být i po delším vysvětlení snadno dohledatelné.
Příprava náročné úlohy
Dodejte modelu úplné znění problému, omezení a příslušné důkazy. Při změně kódu přiložte stávající funkci, chybový vstup a očekávané chování a požadujte návrh opravy s vysvětlením krajních případů. U vědecké otázky oddělte pozorování od předpokladů a ptejte se, jaký závěr plyne z každého z nich. U dlouhých pravidel nebo specifikace zachovejte identifikátory oddílů a požadujte stručné rozhodnutí podložené příslušnými ustanoveními. Jde o praktické využití dokumentovaných oblastí uvažování, nikoli o tvrzení, že model provedl opravu nebo ověřil experiment.
Protože tato verze dokáže dlouze uvažovat, vyhraďte prostor pro uvažování i konečný výstup. Qwen doporučuje při konfiguraci modelu pokud možno zachovat kontext nad 131,072 tokenů, i když by menší kontext snížil tlak na paměť. Hodnota nativního kontextu zahrnuje rozpočet sekvence; neslibuje, že lze celý využít na dokument a přitom ponechat neomezený prostor pro odpověď.
Použití v agentech
Výrobce dokumentuje volání nástrojů a doporučuje Qwen-Agent pro šablony nástrojů a parsování, včetně integrace s nakonfigurovanými nástroji a postupů s interpretem kódu. Výslovně definujte nástroje a zamýšlený výsledek. Aplikace by například mohla modelu umožnit prozkoumat získané důkazy, použít povolenou kalkulačku a poté vytvořit zprávu vysvětlující výpočet. Vyhledávání a provádění patří připojeným nástrojům; schopnost modelu volat nástroje sama o sobě nezajišťuje přístup k internetu, prostředí pro kód nebo podnikovým systémům.
Zpracování mimořádně dlouhého textu
Qwen dokumentuje volitelný postup dosahující přibližně jednoho milionu tokenů kombinací Dual Chunk Attention s řídkou pozorností MInference. První technika dělí dlouhé sekvence na bloky při zachování interakcí mezi nimi; druhá soustředí výpočty na vybrané vztahy pozornosti. Jde o dodatečnou konfiguraci nad rámec nativního kontextu 262,144 tokenů. Postup výrobce vyžaduje jeho speciální konfiguraci dlouhého kontextu a odhaduje přibližně 240 GB celkové paměti GPU pro váhy, stav pozornosti v mezipaměti a špičkové aktivace.
Tento postup má konkrétní limity prostředků: stav sekvence v mezipaměti, paměť aktivací i celková délka vstupu mohou jednotlivě vyčerpat nakonfigurovanou kapacitu. Postup s milionem tokenů proto závisí na konfiguraci, paměti a podporované implementaci pozornosti. Při praktické kontrole dokumentů začněte relevantními materiály, označte hranice dokumentů a požadujte dohledatelné důkazy, místo abyste největší možný vstup považovali za náhradu jasné otázky.
Pokyny a limity generování
Qwen doporučuje temperature 0.6, top_p 0.95, top_k 20 a min_p 0. Pro většinu dotazů navrhuje rozpočet výstupu 32,768 tokenů a pro neobvykle náročné matematické nebo programovací problémy 81,920. Jde o doporučení rozpočtu generování, nikoli o samostatně zveřejněný pevný strop výstupu. Presence penalty mezi nulou a dvěma může omezit opakování, ale vyšší hodnoty mohou míchat jazyky nebo mírně snižovat kvalitu.
V zadání určete formát konečné odpovědi, například ohraničený matematický výsledek nebo pole odpovědi u otázky s výběrem možností. V historii konverzace uchovávejte pouze část s konečnou odpovědí, jak doporučuje výrobce. Delší uvažování je užitečné, když vede k ověřitelnému výsledku; než se na výsledek spolehnete, zkontrolujte předpoklady, výpočty a navržený kód.
POST /v1/messagestextjson, sse| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity Qwen/Qwen3-30B-A3B-Thinking-2507 | Výchozí— |
Polemessages | Typmessage[] | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polemessages[].role | Typstring | PožadavekPovinné | Hodnoty a limity user, assistant | Výchozí— |
Polemessages[].content | Typstring | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polemax_tokens | Typinteger | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polestream | Typboolean | PožadavekVolitelné | Hodnoty a limity | Výchozífalse |
Text · text UTF-8
řetězec messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktPřečtěte skutečný dokument UTF-8 a vložte jeho text do uvedeného pole input nebo do řetězce obsahu zprávy. |
Životní cyklus: synchronous_or_streamed
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
| Konfigurace | Tabulka sazeb | Poplatek |
|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Poplatek Vstup · Vstupní tokeny $0.0002 / 1K tokenů Výstup · Výstupní tokeny $0.0008 / 1K tokenů Vstup · Čtení z mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
{\n "model": "Qwen/Qwen3-30B-A3B-Thinking-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/Qwen3-30B-A3B-Thinking-2507', '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/Qwen3-30B-A3B-Thinking-2507', '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 nebo SSE
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Zachovejte všechny bloky obsahu, podpisy uvažování a skutečná ID použití nástrojů. Sestavte všechny přírůstky bloků SSE; první textový blok není úplný výstup.
Zachovejte ID požadavků/odpovědí a hlavičky. Není dodána obecná URL pro načtení textové úlohy.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot Ultra Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
qwen3-30b-a3b-thinking-2507Qwen3-30B-A3B-Thinking-2507 je textový model Qwen výhradně s přemýšlením pro náročnou matematiku, přírodní vědy, programování a logické uvažování. Tato pevná edice 2507 poskytuje nativní kontext 262,144 tokenů a delší rozpočet pro uvažování, s dokumentovaným voláním nástrojů a podmíněnými postupy pro mimořádně dlouhý kontext.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Hlavní vlastnosti: pevné vydání Thinking-2507
Qwen3-30B-A3B-Thinking-2507 je model generování textu zaměřený na náročné uvažování. Qwen popisuje vylepšení logiky, matematiky, přírodních věd, programování, plnění instrukcí, používání nástrojů a generování textu spolu s delšími sekvencemi přemýšlení a lepším porozuměním dlouhému kontextu. Vyberte tuto přesnou edici 2507, pokud úloze prospěje soustavné uvažování, například při zkoumání soupeřících vysvětlení, řešení vícestupňového matematického problému nebo zpracování složité změny kódu.
Přehled modelu a režim
Model mixture-of-experts má celkem 30.5 miliardy parametrů a 3.3 miliardy aktivovaných parametrů, se 128 experty a osmi vybíranými pro každý token napříč 48 vrstvami. Jeho nativní kontext má 262,144 tokenů. Přijímá text a vrací text; výsledky nástrojů přicházejí prostřednictvím navazujícího postupu aplikace. Tento checkpoint podporuje pouze přemýšlení. Liší se od dřívějšího hybridního Qwen3-30B-A3B, jeho edice FP8 a Qwen3-30B-A3B-Instruct-2507. Nelze předpokládat, že zde funguje přepínač režimu bez přemýšlení z hybridního modelu.
Výchozí šablona chatu již zahajuje sekvenci uvažování otevírací značkou přemýšlení, takže výslovné nastavení enable_thinking=True není nutné. Vrácená sekvence může obsahovat uzavírací značku bez zopakování otevírací značky. Příklad výrobce odděluje uvažování od konečné odpovědi. Toto rozlišení zachovejte při požadavku na konkrétní výstup: závěr důkazu, oprava nebo rozhodovací tabulka musí být i po delším vysvětlení snadno dohledatelné.
Příprava náročné úlohy
Dodejte modelu úplné znění problému, omezení a příslušné důkazy. Při změně kódu přiložte stávající funkci, chybový vstup a očekávané chování a požadujte návrh opravy s vysvětlením krajních případů. U vědecké otázky oddělte pozorování od předpokladů a ptejte se, jaký závěr plyne z každého z nich. U dlouhých pravidel nebo specifikace zachovejte identifikátory oddílů a požadujte stručné rozhodnutí podložené příslušnými ustanoveními. Jde o praktické využití dokumentovaných oblastí uvažování, nikoli o tvrzení, že model provedl opravu nebo ověřil experiment.
Protože tato verze dokáže dlouze uvažovat, vyhraďte prostor pro uvažování i konečný výstup. Qwen doporučuje při konfiguraci modelu pokud možno zachovat kontext nad 131,072 tokenů, i když by menší kontext snížil tlak na paměť. Hodnota nativního kontextu zahrnuje rozpočet sekvence; neslibuje, že lze celý využít na dokument a přitom ponechat neomezený prostor pro odpověď.
Použití v agentech
Výrobce dokumentuje volání nástrojů a doporučuje Qwen-Agent pro šablony nástrojů a parsování, včetně integrace s nakonfigurovanými nástroji a postupů s interpretem kódu. Výslovně definujte nástroje a zamýšlený výsledek. Aplikace by například mohla modelu umožnit prozkoumat získané důkazy, použít povolenou kalkulačku a poté vytvořit zprávu vysvětlující výpočet. Vyhledávání a provádění patří připojeným nástrojům; schopnost modelu volat nástroje sama o sobě nezajišťuje přístup k internetu, prostředí pro kód nebo podnikovým systémům.
Zpracování mimořádně dlouhého textu
Qwen dokumentuje volitelný postup dosahující přibližně jednoho milionu tokenů kombinací Dual Chunk Attention s řídkou pozorností MInference. První technika dělí dlouhé sekvence na bloky při zachování interakcí mezi nimi; druhá soustředí výpočty na vybrané vztahy pozornosti. Jde o dodatečnou konfiguraci nad rámec nativního kontextu 262,144 tokenů. Postup výrobce vyžaduje jeho speciální konfiguraci dlouhého kontextu a odhaduje přibližně 240 GB celkové paměti GPU pro váhy, stav pozornosti v mezipaměti a špičkové aktivace.
Tento postup má konkrétní limity prostředků: stav sekvence v mezipaměti, paměť aktivací i celková délka vstupu mohou jednotlivě vyčerpat nakonfigurovanou kapacitu. Postup s milionem tokenů proto závisí na konfiguraci, paměti a podporované implementaci pozornosti. Při praktické kontrole dokumentů začněte relevantními materiály, označte hranice dokumentů a požadujte dohledatelné důkazy, místo abyste největší možný vstup považovali za náhradu jasné otázky.
Pokyny a limity generování
Qwen doporučuje temperature 0.6, top_p 0.95, top_k 20 a min_p 0. Pro většinu dotazů navrhuje rozpočet výstupu 32,768 tokenů a pro neobvykle náročné matematické nebo programovací problémy 81,920. Jde o doporučení rozpočtu generování, nikoli o samostatně zveřejněný pevný strop výstupu. Presence penalty mezi nulou a dvěma může omezit opakování, ale vyšší hodnoty mohou míchat jazyky nebo mírně snižovat kvalitu.
V zadání určete formát konečné odpovědi, například ohraničený matematický výsledek nebo pole odpovědi u otázky s výběrem možností. V historii konverzace uchovávejte pouze část s konečnou odpovědí, jak doporučuje výrobce. Delší uvažování je užitečné, když vede k ověřitelnému výsledku; než se na výsledek spolehnete, zkontrolujte předpoklady, výpočty a navržený kód.
POST /v1/chat/completionstexttext| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity qwen3-30b-a3b-thinking-2507 | Výchozí— |
Polemessages | Typmessage[] | PožadavekPovinné | Hodnoty a limity Minimální počet položek: 1 | Výchozí— |
Polemessages[].role | Typstring | PožadavekPovinné | Hodnoty a limity Příklady: system, user, assistant, tool, function Podmínky: Tyto role jsou výslovně zastoupeny typy kompatibility zdrojového kódu; přesná sada rolí zůstává specifická pro daný model. Závisí na modelu | Výchozí— |
Polemessages[].content | Typstring|content_part[]|null | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].tool_calls | Typtool_call[] | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].tool_call_id | Typstring | PožadavekVolitelné | Hodnoty a limity Platí, když: role=tool; použijte skutečně vrácené ID | Výchozí— |
Polemessages[].name | Typstring | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].reasoning_content | Typstring | PožadavekVolitelné | Hodnoty a limity Platí, když: Předávejte zpět skutečně vrácené uvažování tam, kde je tento model používá | Výchozí— |
Polemessages[].reasoning_details | Typobject|array | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polemax_tokens | Typinteger | PožadavekVolitelné | Hodnoty a limity Minimum: 1 Závisí na modelu | Výchozí— |
Polemax_completion_tokens | Typinteger | PožadavekVolitelné | Hodnoty a limity Minimum: 1 Závisí na modelu | Výchozí— |
Polestream | Typboolean | PožadavekVolitelné | Hodnoty a limity | Výchozífalse |
Polestream_options.include_usage | Typboolean | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletemperature | Typnumber | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletop_p | Typnumber | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polestop | Typstring|string[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletools | Typfunction_tool[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletools[].type | Typstring | PožadavekVolitelné | Hodnoty a limity function Závisí na modelu | Výchozí— |
Poletools[].function.name | Typstring | PožadavekPovinné | Hodnoty a limity Platí, když: nástroj typu funkce je dodán | Výchozí— |
Poletools[].function.description | Typstring | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Poletools[].function.parameters | TypJSON_schema | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Poletool_choice | Typstring|object | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleparallel_tool_calls | Typboolean | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleresponse_format | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polereasoning_effort | Typstring | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polereasoning | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleservice_tier | Typstring | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleinstructions | Typstring | PožadavekVolitelné | Hodnoty a limity Pole kompatibility | Výchozí— |
Polefunctions | Typfunction[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polefunction_call | Typstring|object | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleprompt_cache_options | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polemodalities | Typstring[] | PožadavekVolitelné | Hodnoty a limity text | Výchozí— |
Poleprovider | Typobject | PožadavekVolitelné | Hodnoty a limity Podmínky: provider.options je na této textové trase Ultra odmítáno | Výchozí— |
Polecache_control.ttl | Typstring | PožadavekVolitelné | Hodnoty a limity Podmínky: Hodnota 1h je ve skutečných umístěních mezipaměti promptů odmítána | Výchozí— |
Text · text UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontraktpole zpráv se strukturou role/content |
Parametrfile_material | Kontraktskutečný dokument UTF-8 vložený jako doslovný text; ID souboru se neodvozuje |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktspecifické pro model; nástroje uživatelských funkcí se liší od hostovaných nástrojů |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Životní cyklus: synchronous_or_streamed
Odešlete přesné ID modelu spolu s messages.
Délka kontextu není limitem výstupu.
Textový soubor může dodat doslovný text; obrazové/zvukové vstupy a vstupy v podobě souborových objektů vyžadují přesnou vazbu.
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
| Konfigurace | Tabulka sazeb | Poplatek |
|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Poplatek Vstup · Vstupní tokeny $0.0002 / 1K tokenů Výstup · Výstupní tokeny $0.0008 / 1K tokenů Vstup · Čtení z mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen3-30b-a3b-thinking-2507", "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='qwen3-30b-a3b-thinking-2507',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='qwen3-30b-a3b-thinking-2507',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 nebo SSE
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Zachovejte každou volbu a její obsah/volání nástrojů/uvažování. V SSE sestavujte přírůstky podle indexu volby/nástroje a zachovejte konečný důvod ukončení i údaje o využití.
Zachovejte ID požadavků/odpovědí a hlavičky. Není dodána obecná URL pro načtení textové úlohy.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot Ultra Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
qwen3-30b-a3b-thinking-2507Qwen3-30B-A3B-Thinking-2507 je textový model Qwen výhradně s přemýšlením pro náročnou matematiku, přírodní vědy, programování a logické uvažování. Tato pevná edice 2507 poskytuje nativní kontext 262,144 tokenů a delší rozpočet pro uvažování, s dokumentovaným voláním nástrojů a podmíněnými postupy pro mimořádně dlouhý kontext.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Hlavní vlastnosti: pevné vydání Thinking-2507
Qwen3-30B-A3B-Thinking-2507 je model generování textu zaměřený na náročné uvažování. Qwen popisuje vylepšení logiky, matematiky, přírodních věd, programování, plnění instrukcí, používání nástrojů a generování textu spolu s delšími sekvencemi přemýšlení a lepším porozuměním dlouhému kontextu. Vyberte tuto přesnou edici 2507, pokud úloze prospěje soustavné uvažování, například při zkoumání soupeřících vysvětlení, řešení vícestupňového matematického problému nebo zpracování složité změny kódu.
Přehled modelu a režim
Model mixture-of-experts má celkem 30.5 miliardy parametrů a 3.3 miliardy aktivovaných parametrů, se 128 experty a osmi vybíranými pro každý token napříč 48 vrstvami. Jeho nativní kontext má 262,144 tokenů. Přijímá text a vrací text; výsledky nástrojů přicházejí prostřednictvím navazujícího postupu aplikace. Tento checkpoint podporuje pouze přemýšlení. Liší se od dřívějšího hybridního Qwen3-30B-A3B, jeho edice FP8 a Qwen3-30B-A3B-Instruct-2507. Nelze předpokládat, že zde funguje přepínač režimu bez přemýšlení z hybridního modelu.
Výchozí šablona chatu již zahajuje sekvenci uvažování otevírací značkou přemýšlení, takže výslovné nastavení enable_thinking=True není nutné. Vrácená sekvence může obsahovat uzavírací značku bez zopakování otevírací značky. Příklad výrobce odděluje uvažování od konečné odpovědi. Toto rozlišení zachovejte při požadavku na konkrétní výstup: závěr důkazu, oprava nebo rozhodovací tabulka musí být i po delším vysvětlení snadno dohledatelné.
Příprava náročné úlohy
Dodejte modelu úplné znění problému, omezení a příslušné důkazy. Při změně kódu přiložte stávající funkci, chybový vstup a očekávané chování a požadujte návrh opravy s vysvětlením krajních případů. U vědecké otázky oddělte pozorování od předpokladů a ptejte se, jaký závěr plyne z každého z nich. U dlouhých pravidel nebo specifikace zachovejte identifikátory oddílů a požadujte stručné rozhodnutí podložené příslušnými ustanoveními. Jde o praktické využití dokumentovaných oblastí uvažování, nikoli o tvrzení, že model provedl opravu nebo ověřil experiment.
Protože tato verze dokáže dlouze uvažovat, vyhraďte prostor pro uvažování i konečný výstup. Qwen doporučuje při konfiguraci modelu pokud možno zachovat kontext nad 131,072 tokenů, i když by menší kontext snížil tlak na paměť. Hodnota nativního kontextu zahrnuje rozpočet sekvence; neslibuje, že lze celý využít na dokument a přitom ponechat neomezený prostor pro odpověď.
Použití v agentech
Výrobce dokumentuje volání nástrojů a doporučuje Qwen-Agent pro šablony nástrojů a parsování, včetně integrace s nakonfigurovanými nástroji a postupů s interpretem kódu. Výslovně definujte nástroje a zamýšlený výsledek. Aplikace by například mohla modelu umožnit prozkoumat získané důkazy, použít povolenou kalkulačku a poté vytvořit zprávu vysvětlující výpočet. Vyhledávání a provádění patří připojeným nástrojům; schopnost modelu volat nástroje sama o sobě nezajišťuje přístup k internetu, prostředí pro kód nebo podnikovým systémům.
Zpracování mimořádně dlouhého textu
Qwen dokumentuje volitelný postup dosahující přibližně jednoho milionu tokenů kombinací Dual Chunk Attention s řídkou pozorností MInference. První technika dělí dlouhé sekvence na bloky při zachování interakcí mezi nimi; druhá soustředí výpočty na vybrané vztahy pozornosti. Jde o dodatečnou konfiguraci nad rámec nativního kontextu 262,144 tokenů. Postup výrobce vyžaduje jeho speciální konfiguraci dlouhého kontextu a odhaduje přibližně 240 GB celkové paměti GPU pro váhy, stav pozornosti v mezipaměti a špičkové aktivace.
Tento postup má konkrétní limity prostředků: stav sekvence v mezipaměti, paměť aktivací i celková délka vstupu mohou jednotlivě vyčerpat nakonfigurovanou kapacitu. Postup s milionem tokenů proto závisí na konfiguraci, paměti a podporované implementaci pozornosti. Při praktické kontrole dokumentů začněte relevantními materiály, označte hranice dokumentů a požadujte dohledatelné důkazy, místo abyste největší možný vstup považovali za náhradu jasné otázky.
Pokyny a limity generování
Qwen doporučuje temperature 0.6, top_p 0.95, top_k 20 a min_p 0. Pro většinu dotazů navrhuje rozpočet výstupu 32,768 tokenů a pro neobvykle náročné matematické nebo programovací problémy 81,920. Jde o doporučení rozpočtu generování, nikoli o samostatně zveřejněný pevný strop výstupu. Presence penalty mezi nulou a dvěma může omezit opakování, ale vyšší hodnoty mohou míchat jazyky nebo mírně snižovat kvalitu.
V zadání určete formát konečné odpovědi, například ohraničený matematický výsledek nebo pole odpovědi u otázky s výběrem možností. V historii konverzace uchovávejte pouze část s konečnou odpovědí, jak doporučuje výrobce. Delší uvažování je užitečné, když vede k ověřitelnému výsledku; než se na výsledek spolehnete, zkontrolujte předpoklady, výpočty a navržený kód.
POST /v1/messagestextjson, sse| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity qwen3-30b-a3b-thinking-2507 | Výchozí— |
Polemessages | Typmessage[] | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polemessages[].role | Typstring | PožadavekPovinné | Hodnoty a limity user, assistant | Výchozí— |
Polemessages[].content | Typstring | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polemax_tokens | Typinteger | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polestream | Typboolean | PožadavekVolitelné | Hodnoty a limity | Výchozífalse |
Text · text UTF-8
řetězec messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktPřečtěte skutečný dokument UTF-8 a vložte jeho text do uvedeného pole input nebo do řetězce obsahu zprávy. |
Životní cyklus: synchronous_or_streamed
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
| Konfigurace | Tabulka sazeb | Poplatek |
|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Poplatek Vstup · Vstupní tokeny $0.0002 / 1K tokenů Výstup · Výstupní tokeny $0.0008 / 1K tokenů Vstup · Čtení z mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
{\n "model": "qwen3-30b-a3b-thinking-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-30b-a3b-thinking-2507', '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': 'qwen3-30b-a3b-thinking-2507', '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 nebo SSE
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Zachovejte všechny bloky obsahu, podpisy uvažování a skutečná ID použití nástrojů. Sestavte všechny přírůstky bloků SSE; první textový blok není úplný výstup.
Zachovejte ID požadavků/odpovědí a hlavičky. Není dodána obecná URL pro načtení textové úlohy.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot Ultra Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
Technický příklad v angličtině
Solve a constrained staffing assignment\n\nAssign three reviewers, Ada, Ben and Cy, to morning, afternoon and evening shifts, one each. Ada cannot work evening. Ben must work later than Ada. Cy cannot work morning. List every valid assignment and explain how each constraint eliminates alternatives. Finish with whether the assignment is unique; do not assume additional availability.An enumeration of all valid assignments, a constraint check and a separate uniqueness conclusion.Every assignment uses all three shifts once and satisfies Ben later than Ada without adding availability rules.