Hlavní body Qwen3-Next: přímé textové instrukce
Qwen3-Next-80B-A3B-Instruct je textová instrukční edice Qwen3-Next bez přemýšlení. Přijímá text a vrací text včetně vysvětlení, návrhů kódu a požadovaných dokumentů. Negeneruje explicitní bloky přemýšlení. Udržujte ji oddělenou od edice Thinking a programátorsky specializovaného Qwen3-Coder-Next; sdílení rodinné architektury nečiní jejich odpovědní kontrakty zaměnitelnými.
Rodina zavádí hybridní pozornost kombinující Gated DeltaNet a hradlovanou pozornost, soustavu expertů s vysokou řídkostí, optimalizace stability včetně normalizace vrstev centrované kolem nuly a s útlumem vah a predikci více tokenů. Tyto změny se týkají reprezentace a trénování dlouhých sekvencí. Jejich inferenční efektivita závisí na implementaci, takže údaje o architektuře by se neměly měnit v záruku pevné latence nebo propustnosti.
Přehled modelu
Checkpoint má celkem 80 miliard parametrů a aktivuje tři miliardy. Má 48 vrstev v opakovaném expertním vzorci tří vrstev DeltaNet na jednu vrstvu hradlované pozornosti. Výrobce uvádí 512 expertů, deset aktivovaných expertů a jednoho sdíleného experta, s předtrénováním na 15 bilionech tokenů následovaným dotrénováním. Aktivované parametry nejsou velikostí celého checkpointu.
Nativní kontext je 262 144 tokenů se zdokumentovaným rozšířením na 1 010 000. Příklady nasazení výrobce dovolují menší kontext, například 32 768, pokud omezení prostředků brání fungování většího nastavení. Text, historie konverzace, pozorování nástrojů a generovaný obsah sdílejí nakonfigurovanou alokaci sekvence. Rozšíření je další konfigurační cesta, nikoli výchozí neomezený vstup.
Používání instrukčního rozhraní
Tento model podporuje pouze instrukční režim bez přemýšlení. Může vysvětlit algoritmus, ukázat výpočty nebo odůvodnit závěr běžným textem bez vytvoření vyhrazeného bloku přemýšlení. Požadujte formát a hranice výsledku: úplnou funkci, stručnou zprávu, tabulku podkladů nebo odpověď s podpůrnými kroky. Žádost o dlouhé vysvětlení z něj nedělá samostatně pojmenovaný checkpoint Thinking.
U dokumentové úlohy zachovejte identifikátory částí a definujte otázky, na které má zpráva odpovědět. U kódu poskytněte příslušnou funkci nebo modul, omezení vstupu a očekávaný výstup. U matematiky dodejte úplné zadání a požádejte o ohraničený konečný výsledek. Porovnejte vrácené výpočty, kód nebo vysvětlení s dodanými podmínkami a skutečnými výsledky.
Implementace a nástroje
Výrobce dokumentuje volání nástrojů a doporučuje Qwen-Agent pro šablony a parsování, s nakonfigurovanými nástroji nebo nástroji připojenými přes MCP. Připojený postup může poskytovat vyhledávání, kontrolu nebo povolené provedení a vracet skutečná pozorování. Určete nástroje, povolené akce a viditelné podmínky dokončení, poté požádejte, aby konečná zpráva odlišila návrhy od skutečných vrácených výsledků.
Predikce více tokenů je součástí trénování, ale její použití při inferenci závisí na implementaci a není obecně dostupné v každém odlehčeném postupu. Šablona nebo architektonická vlastnost sama o sobě nedokládá přístup k aktuálním zdrojům, souborům nebo prostředí pro kód. Zachovejte přesný model a konverzační formát používaný zvoleným rozhraním.
Mimořádně dlouhý text
Výrobce ověřuje kontext o délce přibližně milionu tokenů s YaRN a poskytuje postup s faktorem čtyři založený na 262 144 nativních pozicích. Pro úlohy s 524 288 tokeny navrhuje faktor dva. Statické škálování může snížit výkon u kratších textů, proto by konfigurace měla vycházet ze skutečné potřeby delšího vstupu.
Dlouhý materiál udržujte uspořádaný podle dokumentu, cesty ke kódu nebo části a odstraňte nesouvisející opakování. Požádejte, aby odpověď označila své podpůrné pasáže nebo podmínky. Vyhraďte prostor pro odpověď místo považování největšího údaje kontextu za úplné zapamatování každého dodaného detailu. Zveřejněný údaj rozšíření 1 010 000 a validace kolem milionu zůstávají omezené na postup dlouhého kontextu výrobce.
Doporučení pro generování
Osvědčené postupy doporučují temperature 0,7, top_p 0,8, top_k 20 a min_p 0. Tam, kde je podporována, může presence penalty mezi nulou a dvěma omezit opakovaný text, ale vyšší hodnoty mohou míchat jazyky nebo mírně snížit kvalitu. Výrobce doporučuje prostor pro výstup 16 384 tokenů pro většinu dotazů. Jde o doporučený rozpočet generování, nikoli nezávislé pevné maximum; neměl by přebírat delší alokace edice Thinking.
Výslovně určete formu výsledku, například matematický oddělovač nebo pole odpovědi. Konečný výsledek udržujte snadno kontrolovatelný a ověřte jeho výpočty, citace nebo kód proti zdroji. Tato výhradně textová edice nepřijímá obrázky, zvuk nebo video jako vlastní vstup, takže takové materiály potřebují vhodnou samostatnou reprezentaci, než mohou podpořit úlohu.
Praktický výsledek
Užitečným výstupem je konkrétní textový výsledek založený na dodaných podmínkách: vysvětlení dokumentu, návrh kódu nebo přímá odpověď s požadovanými podpůrnými podrobnostmi. Dlouhý kontext a volání nástrojů mohou pomoci přenést více podkladů postupem, zatímco kontrakt bez přemýšlení udržuje styl výstupu této přesné edice jasný. Výsledek ověřte ve skutečném prostředí úlohy namísto odvozování správnosti z jeho délky nebo sebejistého znění.
", "aboutText": "Hlavní body Qwen3-Next: přímé textové instrukce\n\nQwen3-Next-80B-A3B-Instruct je textová instrukční edice Qwen3-Next bez přemýšlení. Přijímá text a vrací text včetně vysvětlení, návrhů kódu a požadovaných dokumentů. Negeneruje explicitní bloky přemýšlení. Udržujte ji oddělenou od edice Thinking a programátorsky specializovaného Qwen3-Coder-Next; sdílení rodinné architektury nečiní jejich odpovědní kontrakty zaměnitelnými.\n\nRodina zavádí hybridní pozornost kombinující Gated DeltaNet a hradlovanou pozornost, soustavu expertů s vysokou řídkostí, optimalizace stability včetně normalizace vrstev centrované kolem nuly a s útlumem vah a predikci více tokenů. Tyto změny se týkají reprezentace a trénování dlouhých sekvencí. Jejich inferenční efektivita závisí na implementaci, takže údaje o architektuře by se neměly měnit v záruku pevné latence nebo propustnosti.\n\nPřehled modelu\n\nCheckpoint má celkem 80 miliard parametrů a aktivuje tři miliardy. Má 48 vrstev v opakovaném expertním vzorci tří vrstev DeltaNet na jednu vrstvu hradlované pozornosti. Výrobce uvádí 512 expertů, deset aktivovaných expertů a jednoho sdíleného experta, s předtrénováním na 15 bilionech tokenů následovaným dotrénováním. Aktivované parametry nejsou velikostí celého checkpointu.\n\nNativní kontext je 262 144 tokenů se zdokumentovaným rozšířením na 1 010 000. Příklady nasazení výrobce dovolují menší kontext, například 32 768, pokud omezení prostředků brání fungování většího nastavení. Text, historie konverzace, pozorování nástrojů a generovaný obsah sdílejí nakonfigurovanou alokaci sekvence. Rozšíření je další konfigurační cesta, nikoli výchozí neomezený vstup.\n\nPoužívání instrukčního rozhraní\n\nTento model podporuje pouze instrukční režim bez přemýšlení. Může vysvětlit algoritmus, ukázat výpočty nebo odůvodnit závěr běžným textem bez vytvoření vyhrazeného bloku přemýšlení. Požadujte formát a hranice výsledku: úplnou funkci, stručnou zprávu, tabulku podkladů nebo odpověď s podpůrnými kroky. Žádost o dlouhé vysvětlení z něj nedělá samostatně pojmenovaný checkpoint Thinking.\n\nU dokumentové úlohy zachovejte identifikátory částí a definujte otázky, na které má zpráva odpovědět. U kódu poskytněte příslušnou funkci nebo modul, omezení vstupu a očekávaný výstup. U matematiky dodejte úplné zadání a požádejte o ohraničený konečný výsledek. Porovnejte vrácené výpočty, kód nebo vysvětlení s dodanými podmínkami a skutečnými výsledky.\n\nImplementace a nástroje\n\nVýrobce dokumentuje volání nástrojů a doporučuje Qwen-Agent pro šablony a parsování, s nakonfigurovanými nástroji nebo nástroji připojenými přes MCP. Připojený postup může poskytovat vyhledávání, kontrolu nebo povolené provedení a vracet skutečná pozorování. Určete nástroje, povolené akce a viditelné podmínky dokončení, poté požádejte, aby konečná zpráva odlišila návrhy od skutečných vrácených výsledků.\n\nPredikce více tokenů je součástí trénování, ale její použití při inferenci závisí na implementaci a není obecně dostupné v každém odlehčeném postupu. Šablona nebo architektonická vlastnost sama o sobě nedokládá přístup k aktuálním zdrojům, souborům nebo prostředí pro kód. Zachovejte přesný model a konverzační formát používaný zvoleným rozhraním.\n\nMimořádně dlouhý text\n\nVýrobce ověřuje kontext o délce přibližně milionu tokenů s YaRN a poskytuje postup s faktorem čtyři založený na 262 144 nativních pozicích. Pro úlohy s 524 288 tokeny navrhuje faktor dva. Statické škálování může snížit výkon u kratších textů, proto by konfigurace měla vycházet ze skutečné potřeby delšího vstupu.\n\nDlouhý materiál udržujte uspořádaný podle dokumentu, cesty ke kódu nebo části a odstraňte nesouvisející opakování. Požádejte, aby odpověď označila své podpůrné pasáže nebo podmínky. Vyhraďte prostor pro odpověď místo považování největšího údaje kontextu za úplné zapamatování každého dodaného detailu. Zveřejněný údaj rozšíření 1 010 000 a validace kolem milionu zůstávají omezené na postup dlouhého kontextu výrobce.\n\nDoporučení pro generování\n\nOsvědčené postupy doporučují temperature 0,7, top_p 0,8, top_k 20 a min_p 0. Tam, kde je podporována, může presence penalty mezi nulou a dvěma omezit opakovaný text, ale vyšší hodnoty mohou míchat jazyky nebo mírně snížit kvalitu. Výrobce doporučuje prostor pro výstup 16 384 tokenů pro většinu dotazů. Jde o doporučený rozpočet generování, nikoli nezávislé pevné maximum; neměl by přebírat delší alokace edice Thinking.\n\nVýslovně určete formu výsledku, například matematický oddělovač nebo pole odpovědi. Konečný výsledek udržujte snadno kontrolovatelný a ověřte jeho výpočty, citace nebo kód proti zdroji. Tato výhradně textová edice nepřijímá obrázky, zvuk nebo video jako vlastní vstup, takže takové materiály potřebují vhodnou samostatnou reprezentaci, než mohou podpořit úlohu.\n\nPraktický výsledek\n\nUžitečným výstupem je konkrétní textový výsledek založený na dodaných podmínkách: vysvětlení dokumentu, návrh kódu nebo přímá odpověď s požadovanými podpůrnými podrobnostmi. Dlouhý kontext a volání nástrojů mohou pomoci přenést více podkladů postupem, zatímco kontrakt bez přemýšlení udržuje styl výstupu této přesné edice jasný. Výsledek ověřte ve skutečném prostředí úlohy namísto odvozování správnosti z jeho délky nebo sebejistého znění.", "editorialOverlay": { "copy_fields": { "practical_html": "Technický příklad v angličtině
Explain a section-specific decision\n\nAnswer only from these procedure sections. Section 2: standard purchases need a manager's approval. Section 4: emergency safety purchases may proceed first, but must be reported to that manager within one day. Case: a broken emergency exit light needs replacement today. Give a concise recommendation with section references and identify the follow-up obligation. Do not invent an approval already granted.A direct recommendation with supporting sections and the one-day reporting obligation.The emergency exception retains its reporting condition and is not generalised to all purchases.qwen/qwen3-next-80b-a3b-instructQwen3-Next-80B-A3B-Instruct je textová edice Qwen bez přemýšlení s celkem 80 miliardami parametrů a 3 miliardami aktivovanými. Kombinuje hybridní pozornost, řídké experty a volání nástrojů s nativním kontextem 262 144 tokenů, rozšiřitelným konfigurací na 1 010 000.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Hlavní body Qwen3-Next: přímé textové instrukce
Qwen3-Next-80B-A3B-Instruct je textová instrukční edice Qwen3-Next bez přemýšlení. Přijímá text a vrací text včetně vysvětlení, návrhů kódu a požadovaných dokumentů. Negeneruje explicitní bloky přemýšlení. Udržujte ji oddělenou od edice Thinking a programátorsky specializovaného Qwen3-Coder-Next; sdílení rodinné architektury nečiní jejich odpovědní kontrakty zaměnitelnými.
Rodina zavádí hybridní pozornost kombinující Gated DeltaNet a hradlovanou pozornost, soustavu expertů s vysokou řídkostí, optimalizace stability včetně normalizace vrstev centrované kolem nuly a s útlumem vah a predikci více tokenů. Tyto změny se týkají reprezentace a trénování dlouhých sekvencí. Jejich inferenční efektivita závisí na implementaci, takže údaje o architektuře by se neměly měnit v záruku pevné latence nebo propustnosti.
Přehled modelu
Checkpoint má celkem 80 miliard parametrů a aktivuje tři miliardy. Má 48 vrstev v opakovaném expertním vzorci tří vrstev DeltaNet na jednu vrstvu hradlované pozornosti. Výrobce uvádí 512 expertů, deset aktivovaných expertů a jednoho sdíleného experta, s předtrénováním na 15 bilionech tokenů následovaným dotrénováním. Aktivované parametry nejsou velikostí celého checkpointu.
Nativní kontext je 262 144 tokenů se zdokumentovaným rozšířením na 1 010 000. Příklady nasazení výrobce dovolují menší kontext, například 32 768, pokud omezení prostředků brání fungování většího nastavení. Text, historie konverzace, pozorování nástrojů a generovaný obsah sdílejí nakonfigurovanou alokaci sekvence. Rozšíření je další konfigurační cesta, nikoli výchozí neomezený vstup.
Používání instrukčního rozhraní
Tento model podporuje pouze instrukční režim bez přemýšlení. Může vysvětlit algoritmus, ukázat výpočty nebo odůvodnit závěr běžným textem bez vytvoření vyhrazeného bloku přemýšlení. Požadujte formát a hranice výsledku: úplnou funkci, stručnou zprávu, tabulku podkladů nebo odpověď s podpůrnými kroky. Žádost o dlouhé vysvětlení z něj nedělá samostatně pojmenovaný checkpoint Thinking.
U dokumentové úlohy zachovejte identifikátory částí a definujte otázky, na které má zpráva odpovědět. U kódu poskytněte příslušnou funkci nebo modul, omezení vstupu a očekávaný výstup. U matematiky dodejte úplné zadání a požádejte o ohraničený konečný výsledek. Porovnejte vrácené výpočty, kód nebo vysvětlení s dodanými podmínkami a skutečnými výsledky.
Implementace a nástroje
Výrobce dokumentuje volání nástrojů a doporučuje Qwen-Agent pro šablony a parsování, s nakonfigurovanými nástroji nebo nástroji připojenými přes MCP. Připojený postup může poskytovat vyhledávání, kontrolu nebo povolené provedení a vracet skutečná pozorování. Určete nástroje, povolené akce a viditelné podmínky dokončení, poté požádejte, aby konečná zpráva odlišila návrhy od skutečných vrácených výsledků.
Predikce více tokenů je součástí trénování, ale její použití při inferenci závisí na implementaci a není obecně dostupné v každém odlehčeném postupu. Šablona nebo architektonická vlastnost sama o sobě nedokládá přístup k aktuálním zdrojům, souborům nebo prostředí pro kód. Zachovejte přesný model a konverzační formát používaný zvoleným rozhraním.
Mimořádně dlouhý text
Výrobce ověřuje kontext o délce přibližně milionu tokenů s YaRN a poskytuje postup s faktorem čtyři založený na 262 144 nativních pozicích. Pro úlohy s 524 288 tokeny navrhuje faktor dva. Statické škálování může snížit výkon u kratších textů, proto by konfigurace měla vycházet ze skutečné potřeby delšího vstupu.
Dlouhý materiál udržujte uspořádaný podle dokumentu, cesty ke kódu nebo části a odstraňte nesouvisející opakování. Požádejte, aby odpověď označila své podpůrné pasáže nebo podmínky. Vyhraďte prostor pro odpověď místo považování největšího údaje kontextu za úplné zapamatování každého dodaného detailu. Zveřejněný údaj rozšíření 1 010 000 a validace kolem milionu zůstávají omezené na postup dlouhého kontextu výrobce.
Doporučení pro generování
Osvědčené postupy doporučují temperature 0,7, top_p 0,8, top_k 20 a min_p 0. Tam, kde je podporována, může presence penalty mezi nulou a dvěma omezit opakovaný text, ale vyšší hodnoty mohou míchat jazyky nebo mírně snížit kvalitu. Výrobce doporučuje prostor pro výstup 16 384 tokenů pro většinu dotazů. Jde o doporučený rozpočet generování, nikoli nezávislé pevné maximum; neměl by přebírat delší alokace edice Thinking.
Výslovně určete formu výsledku, například matematický oddělovač nebo pole odpovědi. Konečný výsledek udržujte snadno kontrolovatelný a ověřte jeho výpočty, citace nebo kód proti zdroji. Tato výhradně textová edice nepřijímá obrázky, zvuk nebo video jako vlastní vstup, takže takové materiály potřebují vhodnou samostatnou reprezentaci, než mohou podpořit úlohu.
Praktický výsledek
Užitečným výstupem je konkrétní textový výsledek založený na dodaných podmínkách: vysvětlení dokumentu, návrh kódu nebo přímá odpověď s požadovanými podpůrnými podrobnostmi. Dlouhý kontext a volání nástrojů mohou pomoci přenést více podkladů postupem, zatímco kontrakt bez přemýšlení udržuje styl výstupu této přesné edice jasný. Výsledek ověřte ve skutečném prostředí úlohy namísto odvozování správnosti z jeho délky nebo sebejistého znění.
POST /v1/chat/completionstexttext| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity qwen/qwen3-next-80b-a3b-instruct | 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.
Přiřaďte každý poplatek k uvedeným podmínkám. Pro každou sadu alternativních konfigurací použijte jednu sazbu.
| Konfigurace | Tabulka sazeb | Tokeny kontextu, více než | Tokeny kontextu, do uvedené hodnoty včetně | Poplatek |
|---|---|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Tokeny kontextu, více než— | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.000286 / 1K tokenů Výstup · Výstupní tokeny $0.0022 / 1K tokenů Vstup · Čtení z mezipaměti $0.00014 / 1K tokenů Vstup · Zápis do mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
| KonfiguracePásmo délky požadavku 1 | Tabulka sazeb— | Tokeny kontextu, více než0 | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.000286 / 1K tokenů Výstup · Výstupní tokeny $0.0022 / 1K tokenů Vstup · Čtení z mezipaměti $0.00014 / 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-next-80b-a3b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3-next-80b-a3b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3-next-80b-a3b-instruct',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-next-80b-a3b-instruct
Použijte cesty metod uvedené výše.
qwen/qwen3-next-80b-a3b-instructQwen3-Next-80B-A3B-Instruct je textová edice Qwen bez přemýšlení s celkem 80 miliardami parametrů a 3 miliardami aktivovanými. Kombinuje hybridní pozornost, řídké experty a volání nástrojů s nativním kontextem 262 144 tokenů, rozšiřitelným konfigurací na 1 010 000.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Hlavní body Qwen3-Next: přímé textové instrukce
Qwen3-Next-80B-A3B-Instruct je textová instrukční edice Qwen3-Next bez přemýšlení. Přijímá text a vrací text včetně vysvětlení, návrhů kódu a požadovaných dokumentů. Negeneruje explicitní bloky přemýšlení. Udržujte ji oddělenou od edice Thinking a programátorsky specializovaného Qwen3-Coder-Next; sdílení rodinné architektury nečiní jejich odpovědní kontrakty zaměnitelnými.
Rodina zavádí hybridní pozornost kombinující Gated DeltaNet a hradlovanou pozornost, soustavu expertů s vysokou řídkostí, optimalizace stability včetně normalizace vrstev centrované kolem nuly a s útlumem vah a predikci více tokenů. Tyto změny se týkají reprezentace a trénování dlouhých sekvencí. Jejich inferenční efektivita závisí na implementaci, takže údaje o architektuře by se neměly měnit v záruku pevné latence nebo propustnosti.
Přehled modelu
Checkpoint má celkem 80 miliard parametrů a aktivuje tři miliardy. Má 48 vrstev v opakovaném expertním vzorci tří vrstev DeltaNet na jednu vrstvu hradlované pozornosti. Výrobce uvádí 512 expertů, deset aktivovaných expertů a jednoho sdíleného experta, s předtrénováním na 15 bilionech tokenů následovaným dotrénováním. Aktivované parametry nejsou velikostí celého checkpointu.
Nativní kontext je 262 144 tokenů se zdokumentovaným rozšířením na 1 010 000. Příklady nasazení výrobce dovolují menší kontext, například 32 768, pokud omezení prostředků brání fungování většího nastavení. Text, historie konverzace, pozorování nástrojů a generovaný obsah sdílejí nakonfigurovanou alokaci sekvence. Rozšíření je další konfigurační cesta, nikoli výchozí neomezený vstup.
Používání instrukčního rozhraní
Tento model podporuje pouze instrukční režim bez přemýšlení. Může vysvětlit algoritmus, ukázat výpočty nebo odůvodnit závěr běžným textem bez vytvoření vyhrazeného bloku přemýšlení. Požadujte formát a hranice výsledku: úplnou funkci, stručnou zprávu, tabulku podkladů nebo odpověď s podpůrnými kroky. Žádost o dlouhé vysvětlení z něj nedělá samostatně pojmenovaný checkpoint Thinking.
U dokumentové úlohy zachovejte identifikátory částí a definujte otázky, na které má zpráva odpovědět. U kódu poskytněte příslušnou funkci nebo modul, omezení vstupu a očekávaný výstup. U matematiky dodejte úplné zadání a požádejte o ohraničený konečný výsledek. Porovnejte vrácené výpočty, kód nebo vysvětlení s dodanými podmínkami a skutečnými výsledky.
Implementace a nástroje
Výrobce dokumentuje volání nástrojů a doporučuje Qwen-Agent pro šablony a parsování, s nakonfigurovanými nástroji nebo nástroji připojenými přes MCP. Připojený postup může poskytovat vyhledávání, kontrolu nebo povolené provedení a vracet skutečná pozorování. Určete nástroje, povolené akce a viditelné podmínky dokončení, poté požádejte, aby konečná zpráva odlišila návrhy od skutečných vrácených výsledků.
Predikce více tokenů je součástí trénování, ale její použití při inferenci závisí na implementaci a není obecně dostupné v každém odlehčeném postupu. Šablona nebo architektonická vlastnost sama o sobě nedokládá přístup k aktuálním zdrojům, souborům nebo prostředí pro kód. Zachovejte přesný model a konverzační formát používaný zvoleným rozhraním.
Mimořádně dlouhý text
Výrobce ověřuje kontext o délce přibližně milionu tokenů s YaRN a poskytuje postup s faktorem čtyři založený na 262 144 nativních pozicích. Pro úlohy s 524 288 tokeny navrhuje faktor dva. Statické škálování může snížit výkon u kratších textů, proto by konfigurace měla vycházet ze skutečné potřeby delšího vstupu.
Dlouhý materiál udržujte uspořádaný podle dokumentu, cesty ke kódu nebo části a odstraňte nesouvisející opakování. Požádejte, aby odpověď označila své podpůrné pasáže nebo podmínky. Vyhraďte prostor pro odpověď místo považování největšího údaje kontextu za úplné zapamatování každého dodaného detailu. Zveřejněný údaj rozšíření 1 010 000 a validace kolem milionu zůstávají omezené na postup dlouhého kontextu výrobce.
Doporučení pro generování
Osvědčené postupy doporučují temperature 0,7, top_p 0,8, top_k 20 a min_p 0. Tam, kde je podporována, může presence penalty mezi nulou a dvěma omezit opakovaný text, ale vyšší hodnoty mohou míchat jazyky nebo mírně snížit kvalitu. Výrobce doporučuje prostor pro výstup 16 384 tokenů pro většinu dotazů. Jde o doporučený rozpočet generování, nikoli nezávislé pevné maximum; neměl by přebírat delší alokace edice Thinking.
Výslovně určete formu výsledku, například matematický oddělovač nebo pole odpovědi. Konečný výsledek udržujte snadno kontrolovatelný a ověřte jeho výpočty, citace nebo kód proti zdroji. Tato výhradně textová edice nepřijímá obrázky, zvuk nebo video jako vlastní vstup, takže takové materiály potřebují vhodnou samostatnou reprezentaci, než mohou podpořit úlohu.
Praktický výsledek
Užitečným výstupem je konkrétní textový výsledek založený na dodaných podmínkách: vysvětlení dokumentu, návrh kódu nebo přímá odpověď s požadovanými podpůrnými podrobnostmi. Dlouhý kontext a volání nástrojů mohou pomoci přenést více podkladů postupem, zatímco kontrakt bez přemýšlení udržuje styl výstupu této přesné edice jasný. Výsledek ověřte ve skutečném prostředí úlohy namísto odvozování správnosti z jeho délky nebo sebejistého znění.
POST /v1/messagestextjson, sse| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity qwen/qwen3-next-80b-a3b-instruct | 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.
Přiřaďte každý poplatek k uvedeným podmínkám. Pro každou sadu alternativních konfigurací použijte jednu sazbu.
| Konfigurace | Tabulka sazeb | Tokeny kontextu, více než | Tokeny kontextu, do uvedené hodnoty včetně | Poplatek |
|---|---|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Tokeny kontextu, více než— | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.000286 / 1K tokenů Výstup · Výstupní tokeny $0.0022 / 1K tokenů Vstup · Čtení z mezipaměti $0.00014 / 1K tokenů Vstup · Zápis do mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
| KonfiguracePásmo délky požadavku 1 | Tabulka sazeb— | Tokeny kontextu, více než0 | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.000286 / 1K tokenů Výstup · Výstupní tokeny $0.0022 / 1K tokenů Vstup · Čtení z mezipaměti $0.00014 / 1K tokenů Vstup · Zápis do mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
{\n "model": "qwen/qwen3-next-80b-a3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-next-80b-a3b-instruct', '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-next-80b-a3b-instruct', '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-next-80b-a3b-instruct
Použijte cesty metod uvedené výše.
Technický příklad v angličtině
Explain a section-specific decision\n\nAnswer only from these procedure sections. Section 2: standard purchases need a manager's approval. Section 4: emergency safety purchases may proceed first, but must be reported to that manager within one day. Case: a broken emergency exit light needs replacement today. Give a concise recommendation with section references and identify the follow-up obligation. Do not invent an approval already granted.A direct recommendation with supporting sections and the one-day reporting obligation.The emergency exception retains its reporting condition and is not generalised to all purchases.