Qwen3-235B-A22B-Thinking-2507 udvikler Qwen3s ræsonneringsgren til komplekse logiske, matematiske, videnskabelige og programmeringsmæssige opgaver. Qwen identificerer også instruktionsfølgning, værktøjsbrug, tekstgenerering og forståelse af lang kontekst som områder, der er forbedret i denne udgave. Den modtager tekstsamtaler og genererer tekst. En nyttig opgave angiver det fulde problem, relevant grundlag, begrænsninger og den præcise form for det endelige produkt: et bevis, en implementeringsplan, et rettet program eller en beslutning understøttet af de angivne dokumenter.
Modellen bruger en mixture-of-experts-arkitektur med i alt 235 milliarder parametre og 22 milliarder aktiveret for hver token. Dens native kontekst er 262.144 tokens. Den plads er nyttig til at samle flere beslægtede specifikationer, kildefiler eller forskningsuddrag i én samtale og samtidig give plads til modellens ræsonnering og endelige svar. Mærk dokumenter og kodeblokke, angiv hvilke kilder der har forrang, og peg på de afsnit, der er vigtige. En softwareanalyse kan for eksempel angive den fejlagtige adfærd, forventet adfærd, relevante funktioner og begrænsninger og derefter bede om et rettelsesforslag med antagelserne opregnet særskilt.
Dette er en udgave med kun tænkning. Den skifter ikke til den oprindelige Qwen3-models ikke-tænkende tilstand. Den officielle chatskabelon starter automatisk ræsonneringsafsnittet, og et output kan derfor indeholde en afsluttende </think>-markør uden en indledende markør i den genererede tekst. Producentens eksempel adskiller ræsonneringsafsnittet fra det endelige svar. Til en matematisk opgave anbefaler Qwen at bede om trinvis ræsonnering og et endeligt svar i \\boxed{}. Til en multiple choice-opgave foreslår den et svarfelt, som kun indeholder det valgte bogstav. Instruktionerne gør resultatet lettere at læse eller bruge, når ræsonneringen er afsluttet.
Qwens genereringsvejledning anbefaler temperature 0.6, top-p 0.95, top-k 20 og min-p 0. Den anbefaler en outputramme på 32.768 tokens til de fleste forespørgsler og beskriver en ramme på 81.920 tokens til usædvanligt krævende matematik- og programmeringsproblemer. Tallene er producentens genereringsanbefalinger frem for en særskilt garanteret svargrænse. Længere ræsonnering kræver plads før det endelige svar: en for lille ramme kan afslutte svaret før den ønskede konklusion. I efterfølgende samtaleture bevarer den officielle vejledning det endelige svar i historikken og udelader det tidligere tænkeindhold.
Til agentlignende arbejde anbefaler Qwen Qwen-Agent, som leverer værktøjskaldsskabeloner og parsing. Eksemplerne kombinerer definerede værktøjer såsom informationssøgning og en kodefortolker med modellens samtale. Forbered beskrivelserne af de tilgængelige værktøjer, opgavens stopbetingelse og det påkrævede resultat, før du beder modellen planlægge værktøjsbrug. En praktisk forskningsopgave kan bede den indsamle specificeret grundlag, sammenligne konkurrerende forklaringer og returnere en konklusion med grundlaget organiseret efter kilde. Værktøjskald beskriver arbejde, som en applikation skal udføre; modellens tekst alene er ikke den eksterne handling eller dens resultat.
Det officielle kort beskriver også en valgfri kontekstudvidelse til cirka én million tokens med en særskilt konfiguration, Dual Chunk Attention og sparse attention. Det er særskilt fra det native vindue på 262.144 tokens og afhænger af den foreskrevne implementering og betydelige hukommelsesressourcer. Producenten advarer om, at kontekst- og hukommelsesbegrænsninger kan kræve kortere sekvenser. Til almindeligt arbejde med lange dokumenter skal du organisere inputtet omkring det faktiske spørgsmål, bevare dokumentgrænserne og bede om en kort endelig syntese, hvor uafklaret grundlag identificeres. Det holder det nyttige resultat adskilt fra den potentielt lange ræsonneringsproces.
", "aboutText": "Qwen3-235B-A22B-Thinking-2507 udvikler Qwen3s ræsonneringsgren til komplekse logiske, matematiske, videnskabelige og programmeringsmæssige opgaver. Qwen identificerer også instruktionsfølgning, værktøjsbrug, tekstgenerering og forståelse af lang kontekst som områder, der er forbedret i denne udgave. Den modtager tekstsamtaler og genererer tekst. En nyttig opgave angiver det fulde problem, relevant grundlag, begrænsninger og den præcise form for det endelige produkt: et bevis, en implementeringsplan, et rettet program eller en beslutning understøttet af de angivne dokumenter.\n\nModellen bruger en mixture-of-experts-arkitektur med i alt 235 milliarder parametre og 22 milliarder aktiveret for hver token. Dens native kontekst er 262.144 tokens. Den plads er nyttig til at samle flere beslægtede specifikationer, kildefiler eller forskningsuddrag i én samtale og samtidig give plads til modellens ræsonnering og endelige svar. Mærk dokumenter og kodeblokke, angiv hvilke kilder der har forrang, og peg på de afsnit, der er vigtige. En softwareanalyse kan for eksempel angive den fejlagtige adfærd, forventet adfærd, relevante funktioner og begrænsninger og derefter bede om et rettelsesforslag med antagelserne opregnet særskilt.\n\nDette er en udgave med kun tænkning. Den skifter ikke til den oprindelige Qwen3-models ikke-tænkende tilstand. Den officielle chatskabelon starter automatisk ræsonneringsafsnittet, og et output kan derfor indeholde en afsluttende -markør uden en indledende markør i den genererede tekst. Producentens eksempel adskiller ræsonneringsafsnittet fra det endelige svar. Til en matematisk opgave anbefaler Qwen at bede om trinvis ræsonnering og et endeligt svar i \\boxed{}. Til en multiple choice-opgave foreslår den et svarfelt, som kun indeholder det valgte bogstav. Instruktionerne gør resultatet lettere at læse eller bruge, når ræsonneringen er afsluttet.\n\nQwens genereringsvejledning anbefaler temperature 0.6, top-p 0.95, top-k 20 og min-p 0. Den anbefaler en outputramme på 32.768 tokens til de fleste forespørgsler og beskriver en ramme på 81.920 tokens til usædvanligt krævende matematik- og programmeringsproblemer. Tallene er producentens genereringsanbefalinger frem for en særskilt garanteret svargrænse. Længere ræsonnering kræver plads før det endelige svar: en for lille ramme kan afslutte svaret før den ønskede konklusion. I efterfølgende samtaleture bevarer den officielle vejledning det endelige svar i historikken og udelader det tidligere tænkeindhold.\n\nTil agentlignende arbejde anbefaler Qwen Qwen-Agent, som leverer værktøjskaldsskabeloner og parsing. Eksemplerne kombinerer definerede værktøjer såsom informationssøgning og en kodefortolker med modellens samtale. Forbered beskrivelserne af de tilgængelige værktøjer, opgavens stopbetingelse og det påkrævede resultat, før du beder modellen planlægge værktøjsbrug. En praktisk forskningsopgave kan bede den indsamle specificeret grundlag, sammenligne konkurrerende forklaringer og returnere en konklusion med grundlaget organiseret efter kilde. Værktøjskald beskriver arbejde, som en applikation skal udføre; modellens tekst alene er ikke den eksterne handling eller dens resultat.\n\nDet officielle kort beskriver også en valgfri kontekstudvidelse til cirka én million tokens med en særskilt konfiguration, Dual Chunk Attention og sparse attention. Det er særskilt fra det native vindue på 262.144 tokens og afhænger af den foreskrevne implementering og betydelige hukommelsesressourcer. Producenten advarer om, at kontekst- og hukommelsesbegrænsninger kan kræve kortere sekvenser. Til almindeligt arbejde med lange dokumenter skal du organisere inputtet omkring det faktiske spørgsmål, bevare dokumentgrænserne og bede om en kort endelig syntese, hvor uafklaret grundlag identificeres. Det holder det nyttige resultat adskilt fra den potentielt lange ræsonneringsproces.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Check a constrained allocation\n\nAllocate 17 identical work units to two teams. Team A must receive at least 6 and an even number; Team B must receive at least 5. Minimize the difference between team totals. List the valid allocations nearest equality, select the best and explain why no smaller difference is possible under the parity rule.A compact allocation analysis with feasible candidates, selected totals and a checkable optimality argument.Verify the totals sum to 17, A is even, both minimums hold and the comparison includes both sides of equality.qwen/qwen3-235b-a22b-thinking-2507Qwen3-235B-A22B-Thinking-2507 er Qwens tekstmodel med kun ræsonnering til krævende matematik, videnskab, programmering og analyse af lange dokumenter. Dens native kontekst på 262.144 tokens og udvidede ræsonnering gør den velegnet til problemer, der kræver flere sammenhængende trin.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3-235B-A22B-Thinking-2507 udvikler Qwen3s ræsonneringsgren til komplekse logiske, matematiske, videnskabelige og programmeringsmæssige opgaver. Qwen identificerer også instruktionsfølgning, værktøjsbrug, tekstgenerering og forståelse af lang kontekst som områder, der er forbedret i denne udgave. Den modtager tekstsamtaler og genererer tekst. En nyttig opgave angiver det fulde problem, relevant grundlag, begrænsninger og den præcise form for det endelige produkt: et bevis, en implementeringsplan, et rettet program eller en beslutning understøttet af de angivne dokumenter.
Modellen bruger en mixture-of-experts-arkitektur med i alt 235 milliarder parametre og 22 milliarder aktiveret for hver token. Dens native kontekst er 262.144 tokens. Den plads er nyttig til at samle flere beslægtede specifikationer, kildefiler eller forskningsuddrag i én samtale og samtidig give plads til modellens ræsonnering og endelige svar. Mærk dokumenter og kodeblokke, angiv hvilke kilder der har forrang, og peg på de afsnit, der er vigtige. En softwareanalyse kan for eksempel angive den fejlagtige adfærd, forventet adfærd, relevante funktioner og begrænsninger og derefter bede om et rettelsesforslag med antagelserne opregnet særskilt.
Dette er en udgave med kun tænkning. Den skifter ikke til den oprindelige Qwen3-models ikke-tænkende tilstand. Den officielle chatskabelon starter automatisk ræsonneringsafsnittet, og et output kan derfor indeholde en afsluttende </think>-markør uden en indledende markør i den genererede tekst. Producentens eksempel adskiller ræsonneringsafsnittet fra det endelige svar. Til en matematisk opgave anbefaler Qwen at bede om trinvis ræsonnering og et endeligt svar i \\boxed{}. Til en multiple choice-opgave foreslår den et svarfelt, som kun indeholder det valgte bogstav. Instruktionerne gør resultatet lettere at læse eller bruge, når ræsonneringen er afsluttet.
Qwens genereringsvejledning anbefaler temperature 0.6, top-p 0.95, top-k 20 og min-p 0. Den anbefaler en outputramme på 32.768 tokens til de fleste forespørgsler og beskriver en ramme på 81.920 tokens til usædvanligt krævende matematik- og programmeringsproblemer. Tallene er producentens genereringsanbefalinger frem for en særskilt garanteret svargrænse. Længere ræsonnering kræver plads før det endelige svar: en for lille ramme kan afslutte svaret før den ønskede konklusion. I efterfølgende samtaleture bevarer den officielle vejledning det endelige svar i historikken og udelader det tidligere tænkeindhold.
Til agentlignende arbejde anbefaler Qwen Qwen-Agent, som leverer værktøjskaldsskabeloner og parsing. Eksemplerne kombinerer definerede værktøjer såsom informationssøgning og en kodefortolker med modellens samtale. Forbered beskrivelserne af de tilgængelige værktøjer, opgavens stopbetingelse og det påkrævede resultat, før du beder modellen planlægge værktøjsbrug. En praktisk forskningsopgave kan bede den indsamle specificeret grundlag, sammenligne konkurrerende forklaringer og returnere en konklusion med grundlaget organiseret efter kilde. Værktøjskald beskriver arbejde, som en applikation skal udføre; modellens tekst alene er ikke den eksterne handling eller dens resultat.
Det officielle kort beskriver også en valgfri kontekstudvidelse til cirka én million tokens med en særskilt konfiguration, Dual Chunk Attention og sparse attention. Det er særskilt fra det native vindue på 262.144 tokens og afhænger af den foreskrevne implementering og betydelige hukommelsesressourcer. Producenten advarer om, at kontekst- og hukommelsesbegrænsninger kan kræve kortere sekvenser. Til almindeligt arbejde med lange dokumenter skal du organisere inputtet omkring det faktiske spørgsmål, bevare dokumentgrænserne og bede om en kort endelig syntese, hvor uafklaret grundlag identificeres. Det holder det nyttige resultat adskilt fra den potentielt lange ræsonneringsproces.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3-235b-a22b-thinking-2507 | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0009 / 1K tokens Output · Outputtokens $0.007 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0009 / 1K tokens Output · Outputtokens $0.007 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-235b-a22b-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='qwen/qwen3-235b-a22b-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='qwen/qwen3-235b-a22b-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 eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra qwen/qwen3-235b-a22b-thinking-2507
Brug metodestierne vist ovenfor.
qwen/qwen3-235b-a22b-thinking-2507Qwen3-235B-A22B-Thinking-2507 er Qwens tekstmodel med kun ræsonnering til krævende matematik, videnskab, programmering og analyse af lange dokumenter. Dens native kontekst på 262.144 tokens og udvidede ræsonnering gør den velegnet til problemer, der kræver flere sammenhængende trin.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3-235B-A22B-Thinking-2507 udvikler Qwen3s ræsonneringsgren til komplekse logiske, matematiske, videnskabelige og programmeringsmæssige opgaver. Qwen identificerer også instruktionsfølgning, værktøjsbrug, tekstgenerering og forståelse af lang kontekst som områder, der er forbedret i denne udgave. Den modtager tekstsamtaler og genererer tekst. En nyttig opgave angiver det fulde problem, relevant grundlag, begrænsninger og den præcise form for det endelige produkt: et bevis, en implementeringsplan, et rettet program eller en beslutning understøttet af de angivne dokumenter.
Modellen bruger en mixture-of-experts-arkitektur med i alt 235 milliarder parametre og 22 milliarder aktiveret for hver token. Dens native kontekst er 262.144 tokens. Den plads er nyttig til at samle flere beslægtede specifikationer, kildefiler eller forskningsuddrag i én samtale og samtidig give plads til modellens ræsonnering og endelige svar. Mærk dokumenter og kodeblokke, angiv hvilke kilder der har forrang, og peg på de afsnit, der er vigtige. En softwareanalyse kan for eksempel angive den fejlagtige adfærd, forventet adfærd, relevante funktioner og begrænsninger og derefter bede om et rettelsesforslag med antagelserne opregnet særskilt.
Dette er en udgave med kun tænkning. Den skifter ikke til den oprindelige Qwen3-models ikke-tænkende tilstand. Den officielle chatskabelon starter automatisk ræsonneringsafsnittet, og et output kan derfor indeholde en afsluttende </think>-markør uden en indledende markør i den genererede tekst. Producentens eksempel adskiller ræsonneringsafsnittet fra det endelige svar. Til en matematisk opgave anbefaler Qwen at bede om trinvis ræsonnering og et endeligt svar i \\boxed{}. Til en multiple choice-opgave foreslår den et svarfelt, som kun indeholder det valgte bogstav. Instruktionerne gør resultatet lettere at læse eller bruge, når ræsonneringen er afsluttet.
Qwens genereringsvejledning anbefaler temperature 0.6, top-p 0.95, top-k 20 og min-p 0. Den anbefaler en outputramme på 32.768 tokens til de fleste forespørgsler og beskriver en ramme på 81.920 tokens til usædvanligt krævende matematik- og programmeringsproblemer. Tallene er producentens genereringsanbefalinger frem for en særskilt garanteret svargrænse. Længere ræsonnering kræver plads før det endelige svar: en for lille ramme kan afslutte svaret før den ønskede konklusion. I efterfølgende samtaleture bevarer den officielle vejledning det endelige svar i historikken og udelader det tidligere tænkeindhold.
Til agentlignende arbejde anbefaler Qwen Qwen-Agent, som leverer værktøjskaldsskabeloner og parsing. Eksemplerne kombinerer definerede værktøjer såsom informationssøgning og en kodefortolker med modellens samtale. Forbered beskrivelserne af de tilgængelige værktøjer, opgavens stopbetingelse og det påkrævede resultat, før du beder modellen planlægge værktøjsbrug. En praktisk forskningsopgave kan bede den indsamle specificeret grundlag, sammenligne konkurrerende forklaringer og returnere en konklusion med grundlaget organiseret efter kilde. Værktøjskald beskriver arbejde, som en applikation skal udføre; modellens tekst alene er ikke den eksterne handling eller dens resultat.
Det officielle kort beskriver også en valgfri kontekstudvidelse til cirka én million tokens med en særskilt konfiguration, Dual Chunk Attention og sparse attention. Det er særskilt fra det native vindue på 262.144 tokens og afhænger af den foreskrevne implementering og betydelige hukommelsesressourcer. Producenten advarer om, at kontekst- og hukommelsesbegrænsninger kan kræve kortere sekvenser. Til almindeligt arbejde med lange dokumenter skal du organisere inputtet omkring det faktiske spørgsmål, bevare dokumentgrænserne og bede om en kort endelig syntese, hvor uafklaret grundlag identificeres. Det holder det nyttige resultat adskilt fra den potentielt lange ræsonneringsproces.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3-235b-a22b-thinking-2507 | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0009 / 1K tokens Output · Outputtokens $0.007 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0009 / 1K tokens Output · Outputtokens $0.007 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen/qwen3-235b-a22b-thinking-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3-235b-a22b-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/qwen3-235b-a22b-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 eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra qwen/qwen3-235b-a22b-thinking-2507
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Check a constrained allocation\n\nAllocate 17 identical work units to two teams. Team A must receive at least 6 and an even number; Team B must receive at least 5. Minimize the difference between team totals. List the valid allocations nearest equality, select the best and explain why no smaller difference is possible under the parity rule.A compact allocation analysis with feasible candidates, selected totals and a checkable optimality argument.Verify the totals sum to 17, A is even, both minimums hold and the comparison includes both sides of equality.