Højdepunkter: den faste Instruct-2507-opdatering
Qwen3-30B-A3B-Instruct-2507 er den opdaterede ikke-tænkende udgave af Qwen3-30B-A3B. Producenten fremhæver forbedringer i instruktionsfølgning, logisk ræsonnering, tekstforståelse, matematik, videnskab, programmering og værktøjsbrug med bredere viden om mindre almindelige emner på flere sprog og bedre tilpasning til åbne opgaver. Den modtager tekst og producerer tekst: et svar, en forklaring, et kodeforslag eller det ønskede skriftlige produkt.
Hold den faste 2507-identitet adskilt fra den oprindelige hybride Qwen3-30B-A3B, dens FP8-udgave og Thinking-2507-udgaven. Modellens beskrivelse af flersproget viden giver ikke en særskilt garanti for et bestemt antal sprog i denne øjebliksversion. Angiv målsproget, målgruppen og de termer, som skal forblive uændrede, når opgaven involverer oversættelse eller omskrivning.
Modeloversigt
Mixture-of-experts-modellen har i alt 30,5 milliarder parametre og aktiverer 3,3 milliarder. Den har 48 lag, 128 eksperter og otte eksperter valgt pr. token. Dens native kontekst er 262.144 tokens. Aktiverede parametre er ikke størrelsen på hele checkpointet, og arkitekturen alene fastlægger ikke en fast svartid i en applikation.
Denne udgave understøtter kun ikke-tænkende tilstand og genererer ikke eksplicitte tænkeblokke. Indstillingen enable_thinking=False er unødvendig i producentens opskrift. Den kan stadig vise beregninger eller forklare kode i almindelig tekst; en anmodning om underbyggende trin omdanner den ikke til det særskilte Thinking-checkpoint.
Forberedelse af en nyttig tekstanmodning
Til en programmeringsopgave skal du angive den relevante funktion eller det relevante modul, inputbegrænsninger, observeret adfærd og påkrævet resultat. Bed om en foreslået rettelse eller en komplet funktion med en forklaring af de berørte antagelser. Til et matematisk eller videnskabeligt spørgsmål skal du angive hele opgaven, enheder og definitioner og derefter bede om et tydeligt afgrænset endeligt svar understøttet af de angivne betingelser.
Til en åben skriveopgave skal du angive målgruppe, formål, tone og de oplysninger, som skal indgå. Et nyttigt svar kan være et redigerbart udkast organiseret efter de ønskede afsnit med ikke-underbyggede antagelser identificeret særskilt. Sammenlign det returnerede udkast, beregningerne eller kodeforslaget med de angivne fakta, definitioner og krav.
Agentbrug
Qwen dokumenterer værktøjskald og anbefaler Qwen-Agent til skabeloner og parsing med konfigurerede eller MCP-forbundne værktøjer. Angiv de tilladte handlinger og observerbare betingelser for færdiggørelse. Forbundne værktøjer udfører eksterne operationer og returnerer observationer; modellen kan bruge denne feedback i et efterfølgende svar. En foreslået kommando eller en påstand om en hentet kilde bør forblive adskilt fra et resultat, som forløbet faktisk har returneret.
Et tydeligt slutprodukt kan være et kodeforslag, en tabel med belæg eller en kort rapport. Værktøjsstøtte giver ikke i sig selv adgang til aktuelle kilder, filer eller et kørselsmiljø gennem enhver grænseflade. Bevar den præcise models svarvilkår for ikke-tænkning frem for at overtage en hybridmodels promptomskiftere eller en Thinking-udgaves outputrammer.
Behandling af ultralang tekst
Producenten dokumenterer et valgfrit forløb, der når cirka én million tokens gennem Dual Chunk Attention og MInference sparse attention. Det første deler en lang sekvens i håndterbare bidder, mens samspillet mellem bidderne bevares; det andet fokuserer beregningen på udvalgte attention-relationer. Det er en yderligere konfigurationsvej ud over den native kontekst på 262.144 med en særlig konfiguration til lang kontekst.
Opskriften anslår cirka 240 GB samlet GPU-hukommelse til modelvægte, cachelagret sekvenstilstand og aktiveringer ved spidsbelastning. Den beskriver også særskilte kapacitetsfejl fra sekvenscache, aktiveringshukommelse eller et input, som overstiger den konfigurerede længde. Milliontokenforløbet afhænger derfor af konfiguration og ressourcer; overskriften bør ikke behandles som en ubetinget standard.
Forbered et langt input med dokumentgrænser, afsnitsnavne eller kodeidentifikatorer og et konkret spørgsmål. Afsæt plads til svaret, og bed om de belæg, der understøtter hver konklusion.
Genereringsanbefalinger
Best Practices anbefaler temperature 0.7, top_p 0.8, top_k 20 og min_p 0. Hvor det understøttes, kan en presence penalty mellem nul og to reducere gentaget tekst, mens højere værdier kan blande sprog eller sænke kvaliteten lidt. Producenten anbefaler en outputramme på 16.384 tokens til de fleste forespørgsler frem for de længere budgetter, som er dokumenteret for Thinking-2507. Det er en anbefaling, ikke et særskilt fastlagt hårdt outputloft.
Angiv slutformatet eksplicit, såsom en matematisk afgrænser eller et svarfelt. Modellens dokumenterede input er tekst, så visuelle eller lydlige belæg kræver en passende særskilt repræsentation før dette forløb. Kontrollér beregninger, citater og genereret kode mod kilden. Det nyttige resultat er et komplet tekstprodukt, som kan gennemgås, og hvor den faste Instruct-2507-identitet, ikke-tænkende tilstand og betingede procedure for lang kontekst er tydelige.
", "aboutText": "Højdepunkter: den faste Instruct-2507-opdatering\n\nQwen3-30B-A3B-Instruct-2507 er den opdaterede ikke-tænkende udgave af Qwen3-30B-A3B. Producenten fremhæver forbedringer i instruktionsfølgning, logisk ræsonnering, tekstforståelse, matematik, videnskab, programmering og værktøjsbrug med bredere viden om mindre almindelige emner på flere sprog og bedre tilpasning til åbne opgaver. Den modtager tekst og producerer tekst: et svar, en forklaring, et kodeforslag eller det ønskede skriftlige produkt.\n\nHold den faste 2507-identitet adskilt fra den oprindelige hybride Qwen3-30B-A3B, dens FP8-udgave og Thinking-2507-udgaven. Modellens beskrivelse af flersproget viden giver ikke en særskilt garanti for et bestemt antal sprog i denne øjebliksversion. Angiv målsproget, målgruppen og de termer, som skal forblive uændrede, når opgaven involverer oversættelse eller omskrivning.\n\nModeloversigt\n\nMixture-of-experts-modellen har i alt 30,5 milliarder parametre og aktiverer 3,3 milliarder. Den har 48 lag, 128 eksperter og otte eksperter valgt pr. token. Dens native kontekst er 262.144 tokens. Aktiverede parametre er ikke størrelsen på hele checkpointet, og arkitekturen alene fastlægger ikke en fast svartid i en applikation.\n\nDenne udgave understøtter kun ikke-tænkende tilstand og genererer ikke eksplicitte tænkeblokke. Indstillingen enable_thinking=False er unødvendig i producentens opskrift. Den kan stadig vise beregninger eller forklare kode i almindelig tekst; en anmodning om underbyggende trin omdanner den ikke til det særskilte Thinking-checkpoint.\n\nForberedelse af en nyttig tekstanmodning\n\nTil en programmeringsopgave skal du angive den relevante funktion eller det relevante modul, inputbegrænsninger, observeret adfærd og påkrævet resultat. Bed om en foreslået rettelse eller en komplet funktion med en forklaring af de berørte antagelser. Til et matematisk eller videnskabeligt spørgsmål skal du angive hele opgaven, enheder og definitioner og derefter bede om et tydeligt afgrænset endeligt svar understøttet af de angivne betingelser.\n\nTil en åben skriveopgave skal du angive målgruppe, formål, tone og de oplysninger, som skal indgå. Et nyttigt svar kan være et redigerbart udkast organiseret efter de ønskede afsnit med ikke-underbyggede antagelser identificeret særskilt. Sammenlign det returnerede udkast, beregningerne eller kodeforslaget med de angivne fakta, definitioner og krav.\n\nAgentbrug\n\nQwen dokumenterer værktøjskald og anbefaler Qwen-Agent til skabeloner og parsing med konfigurerede eller MCP-forbundne værktøjer. Angiv de tilladte handlinger og observerbare betingelser for færdiggørelse. Forbundne værktøjer udfører eksterne operationer og returnerer observationer; modellen kan bruge denne feedback i et efterfølgende svar. En foreslået kommando eller en påstand om en hentet kilde bør forblive adskilt fra et resultat, som forløbet faktisk har returneret.\n\nEt tydeligt slutprodukt kan være et kodeforslag, en tabel med belæg eller en kort rapport. Værktøjsstøtte giver ikke i sig selv adgang til aktuelle kilder, filer eller et kørselsmiljø gennem enhver grænseflade. Bevar den præcise models svarvilkår for ikke-tænkning frem for at overtage en hybridmodels promptomskiftere eller en Thinking-udgaves outputrammer.\n\nBehandling af ultralang tekst\n\nProducenten dokumenterer et valgfrit forløb, der når cirka én million tokens gennem Dual Chunk Attention og MInference sparse attention. Det første deler en lang sekvens i håndterbare bidder, mens samspillet mellem bidderne bevares; det andet fokuserer beregningen på udvalgte attention-relationer. Det er en yderligere konfigurationsvej ud over den native kontekst på 262.144 med en særlig konfiguration til lang kontekst.\n\nOpskriften anslår cirka 240 GB samlet GPU-hukommelse til modelvægte, cachelagret sekvenstilstand og aktiveringer ved spidsbelastning. Den beskriver også særskilte kapacitetsfejl fra sekvenscache, aktiveringshukommelse eller et input, som overstiger den konfigurerede længde. Milliontokenforløbet afhænger derfor af konfiguration og ressourcer; overskriften bør ikke behandles som en ubetinget standard.\n\nForbered et langt input med dokumentgrænser, afsnitsnavne eller kodeidentifikatorer og et konkret spørgsmål. Afsæt plads til svaret, og bed om de belæg, der understøtter hver konklusion.\n\nGenereringsanbefalinger\n\nBest Practices anbefaler temperature 0.7, top_p 0.8, top_k 20 og min_p 0. Hvor det understøttes, kan en presence penalty mellem nul og to reducere gentaget tekst, mens højere værdier kan blande sprog eller sænke kvaliteten lidt. Producenten anbefaler en outputramme på 16.384 tokens til de fleste forespørgsler frem for de længere budgetter, som er dokumenteret for Thinking-2507. Det er en anbefaling, ikke et særskilt fastlagt hårdt outputloft.\n\nAngiv slutformatet eksplicit, såsom en matematisk afgrænser eller et svarfelt. Modellens dokumenterede input er tekst, så visuelle eller lydlige belæg kræver en passende særskilt repræsentation før dette forløb. Kontrollér beregninger, citater og genereret kode mod kilden. Det nyttige resultat er et komplet tekstprodukt, som kan gennemgås, og hvor den faste Instruct-2507-identitet, ikke-tænkende tilstand og betingede procedure for lang kontekst er tydelige.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Draft a bounded project brief\n\nWrite a one-page-style brief in at most 170 words for a library's room-booking page. Facts: two rooms, maximum two-hour bookings, no recurring reservations, and a staff review for groups larger than eight. Use sections Goal, User steps, Rules and Open question. Include no payment features or assumed room capacities beyond the stated review threshold.An editable four-section project brief preserving the booking rules and one genuinely unanswered design question.The group-size threshold triggers staff review rather than being invented as an absolute room-capacity limit.qwen/qwen3-30b-a3b-instruct-2507Qwen3-30B-A3B-Instruct-2507 er Qwens faste ikke-tænkende tekstudgave fra juli, 2507, med i alt 30,5 milliarder og 3,3 milliarder aktiverede parametre. Den forbedrer instruktionsfølgning, programmering, flersproget viden og åbne skriveopgaver med en nativ kontekst på 262.144 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Højdepunkter: den faste Instruct-2507-opdatering
Qwen3-30B-A3B-Instruct-2507 er den opdaterede ikke-tænkende udgave af Qwen3-30B-A3B. Producenten fremhæver forbedringer i instruktionsfølgning, logisk ræsonnering, tekstforståelse, matematik, videnskab, programmering og værktøjsbrug med bredere viden om mindre almindelige emner på flere sprog og bedre tilpasning til åbne opgaver. Den modtager tekst og producerer tekst: et svar, en forklaring, et kodeforslag eller det ønskede skriftlige produkt.
Hold den faste 2507-identitet adskilt fra den oprindelige hybride Qwen3-30B-A3B, dens FP8-udgave og Thinking-2507-udgaven. Modellens beskrivelse af flersproget viden giver ikke en særskilt garanti for et bestemt antal sprog i denne øjebliksversion. Angiv målsproget, målgruppen og de termer, som skal forblive uændrede, når opgaven involverer oversættelse eller omskrivning.
Modeloversigt
Mixture-of-experts-modellen har i alt 30,5 milliarder parametre og aktiverer 3,3 milliarder. Den har 48 lag, 128 eksperter og otte eksperter valgt pr. token. Dens native kontekst er 262.144 tokens. Aktiverede parametre er ikke størrelsen på hele checkpointet, og arkitekturen alene fastlægger ikke en fast svartid i en applikation.
Denne udgave understøtter kun ikke-tænkende tilstand og genererer ikke eksplicitte tænkeblokke. Indstillingen enable_thinking=False er unødvendig i producentens opskrift. Den kan stadig vise beregninger eller forklare kode i almindelig tekst; en anmodning om underbyggende trin omdanner den ikke til det særskilte Thinking-checkpoint.
Forberedelse af en nyttig tekstanmodning
Til en programmeringsopgave skal du angive den relevante funktion eller det relevante modul, inputbegrænsninger, observeret adfærd og påkrævet resultat. Bed om en foreslået rettelse eller en komplet funktion med en forklaring af de berørte antagelser. Til et matematisk eller videnskabeligt spørgsmål skal du angive hele opgaven, enheder og definitioner og derefter bede om et tydeligt afgrænset endeligt svar understøttet af de angivne betingelser.
Til en åben skriveopgave skal du angive målgruppe, formål, tone og de oplysninger, som skal indgå. Et nyttigt svar kan være et redigerbart udkast organiseret efter de ønskede afsnit med ikke-underbyggede antagelser identificeret særskilt. Sammenlign det returnerede udkast, beregningerne eller kodeforslaget med de angivne fakta, definitioner og krav.
Agentbrug
Qwen dokumenterer værktøjskald og anbefaler Qwen-Agent til skabeloner og parsing med konfigurerede eller MCP-forbundne værktøjer. Angiv de tilladte handlinger og observerbare betingelser for færdiggørelse. Forbundne værktøjer udfører eksterne operationer og returnerer observationer; modellen kan bruge denne feedback i et efterfølgende svar. En foreslået kommando eller en påstand om en hentet kilde bør forblive adskilt fra et resultat, som forløbet faktisk har returneret.
Et tydeligt slutprodukt kan være et kodeforslag, en tabel med belæg eller en kort rapport. Værktøjsstøtte giver ikke i sig selv adgang til aktuelle kilder, filer eller et kørselsmiljø gennem enhver grænseflade. Bevar den præcise models svarvilkår for ikke-tænkning frem for at overtage en hybridmodels promptomskiftere eller en Thinking-udgaves outputrammer.
Behandling af ultralang tekst
Producenten dokumenterer et valgfrit forløb, der når cirka én million tokens gennem Dual Chunk Attention og MInference sparse attention. Det første deler en lang sekvens i håndterbare bidder, mens samspillet mellem bidderne bevares; det andet fokuserer beregningen på udvalgte attention-relationer. Det er en yderligere konfigurationsvej ud over den native kontekst på 262.144 med en særlig konfiguration til lang kontekst.
Opskriften anslår cirka 240 GB samlet GPU-hukommelse til modelvægte, cachelagret sekvenstilstand og aktiveringer ved spidsbelastning. Den beskriver også særskilte kapacitetsfejl fra sekvenscache, aktiveringshukommelse eller et input, som overstiger den konfigurerede længde. Milliontokenforløbet afhænger derfor af konfiguration og ressourcer; overskriften bør ikke behandles som en ubetinget standard.
Forbered et langt input med dokumentgrænser, afsnitsnavne eller kodeidentifikatorer og et konkret spørgsmål. Afsæt plads til svaret, og bed om de belæg, der understøtter hver konklusion.
Genereringsanbefalinger
Best Practices anbefaler temperature 0.7, top_p 0.8, top_k 20 og min_p 0. Hvor det understøttes, kan en presence penalty mellem nul og to reducere gentaget tekst, mens højere værdier kan blande sprog eller sænke kvaliteten lidt. Producenten anbefaler en outputramme på 16.384 tokens til de fleste forespørgsler frem for de længere budgetter, som er dokumenteret for Thinking-2507. Det er en anbefaling, ikke et særskilt fastlagt hårdt outputloft.
Angiv slutformatet eksplicit, såsom en matematisk afgrænser eller et svarfelt. Modellens dokumenterede input er tekst, så visuelle eller lydlige belæg kræver en passende særskilt repræsentation før dette forløb. Kontrollér beregninger, citater og genereret kode mod kilden. Det nyttige resultat er et komplet tekstprodukt, som kan gennemgås, og hvor den faste Instruct-2507-identitet, ikke-tænkende tilstand og betingede procedure for lang kontekst er tydelige.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3-30b-a3b-instruct-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 $0.0002 / 1K tokens Output · Outputtokens $0.0008 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 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 $0.0002 / 1K tokens Output · Outputtokens $0.0008 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-30b-a3b-instruct-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/qwen3-30b-a3b-instruct-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/qwen3-30b-a3b-instruct-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/qwen3-30b-a3b-instruct-2507
Brug metodestierne vist ovenfor.
qwen/qwen3-30b-a3b-instruct-2507Qwen3-30B-A3B-Instruct-2507 er Qwens faste ikke-tænkende tekstudgave fra juli, 2507, med i alt 30,5 milliarder og 3,3 milliarder aktiverede parametre. Den forbedrer instruktionsfølgning, programmering, flersproget viden og åbne skriveopgaver med en nativ kontekst på 262.144 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Højdepunkter: den faste Instruct-2507-opdatering
Qwen3-30B-A3B-Instruct-2507 er den opdaterede ikke-tænkende udgave af Qwen3-30B-A3B. Producenten fremhæver forbedringer i instruktionsfølgning, logisk ræsonnering, tekstforståelse, matematik, videnskab, programmering og værktøjsbrug med bredere viden om mindre almindelige emner på flere sprog og bedre tilpasning til åbne opgaver. Den modtager tekst og producerer tekst: et svar, en forklaring, et kodeforslag eller det ønskede skriftlige produkt.
Hold den faste 2507-identitet adskilt fra den oprindelige hybride Qwen3-30B-A3B, dens FP8-udgave og Thinking-2507-udgaven. Modellens beskrivelse af flersproget viden giver ikke en særskilt garanti for et bestemt antal sprog i denne øjebliksversion. Angiv målsproget, målgruppen og de termer, som skal forblive uændrede, når opgaven involverer oversættelse eller omskrivning.
Modeloversigt
Mixture-of-experts-modellen har i alt 30,5 milliarder parametre og aktiverer 3,3 milliarder. Den har 48 lag, 128 eksperter og otte eksperter valgt pr. token. Dens native kontekst er 262.144 tokens. Aktiverede parametre er ikke størrelsen på hele checkpointet, og arkitekturen alene fastlægger ikke en fast svartid i en applikation.
Denne udgave understøtter kun ikke-tænkende tilstand og genererer ikke eksplicitte tænkeblokke. Indstillingen enable_thinking=False er unødvendig i producentens opskrift. Den kan stadig vise beregninger eller forklare kode i almindelig tekst; en anmodning om underbyggende trin omdanner den ikke til det særskilte Thinking-checkpoint.
Forberedelse af en nyttig tekstanmodning
Til en programmeringsopgave skal du angive den relevante funktion eller det relevante modul, inputbegrænsninger, observeret adfærd og påkrævet resultat. Bed om en foreslået rettelse eller en komplet funktion med en forklaring af de berørte antagelser. Til et matematisk eller videnskabeligt spørgsmål skal du angive hele opgaven, enheder og definitioner og derefter bede om et tydeligt afgrænset endeligt svar understøttet af de angivne betingelser.
Til en åben skriveopgave skal du angive målgruppe, formål, tone og de oplysninger, som skal indgå. Et nyttigt svar kan være et redigerbart udkast organiseret efter de ønskede afsnit med ikke-underbyggede antagelser identificeret særskilt. Sammenlign det returnerede udkast, beregningerne eller kodeforslaget med de angivne fakta, definitioner og krav.
Agentbrug
Qwen dokumenterer værktøjskald og anbefaler Qwen-Agent til skabeloner og parsing med konfigurerede eller MCP-forbundne værktøjer. Angiv de tilladte handlinger og observerbare betingelser for færdiggørelse. Forbundne værktøjer udfører eksterne operationer og returnerer observationer; modellen kan bruge denne feedback i et efterfølgende svar. En foreslået kommando eller en påstand om en hentet kilde bør forblive adskilt fra et resultat, som forløbet faktisk har returneret.
Et tydeligt slutprodukt kan være et kodeforslag, en tabel med belæg eller en kort rapport. Værktøjsstøtte giver ikke i sig selv adgang til aktuelle kilder, filer eller et kørselsmiljø gennem enhver grænseflade. Bevar den præcise models svarvilkår for ikke-tænkning frem for at overtage en hybridmodels promptomskiftere eller en Thinking-udgaves outputrammer.
Behandling af ultralang tekst
Producenten dokumenterer et valgfrit forløb, der når cirka én million tokens gennem Dual Chunk Attention og MInference sparse attention. Det første deler en lang sekvens i håndterbare bidder, mens samspillet mellem bidderne bevares; det andet fokuserer beregningen på udvalgte attention-relationer. Det er en yderligere konfigurationsvej ud over den native kontekst på 262.144 med en særlig konfiguration til lang kontekst.
Opskriften anslår cirka 240 GB samlet GPU-hukommelse til modelvægte, cachelagret sekvenstilstand og aktiveringer ved spidsbelastning. Den beskriver også særskilte kapacitetsfejl fra sekvenscache, aktiveringshukommelse eller et input, som overstiger den konfigurerede længde. Milliontokenforløbet afhænger derfor af konfiguration og ressourcer; overskriften bør ikke behandles som en ubetinget standard.
Forbered et langt input med dokumentgrænser, afsnitsnavne eller kodeidentifikatorer og et konkret spørgsmål. Afsæt plads til svaret, og bed om de belæg, der understøtter hver konklusion.
Genereringsanbefalinger
Best Practices anbefaler temperature 0.7, top_p 0.8, top_k 20 og min_p 0. Hvor det understøttes, kan en presence penalty mellem nul og to reducere gentaget tekst, mens højere værdier kan blande sprog eller sænke kvaliteten lidt. Producenten anbefaler en outputramme på 16.384 tokens til de fleste forespørgsler frem for de længere budgetter, som er dokumenteret for Thinking-2507. Det er en anbefaling, ikke et særskilt fastlagt hårdt outputloft.
Angiv slutformatet eksplicit, såsom en matematisk afgrænser eller et svarfelt. Modellens dokumenterede input er tekst, så visuelle eller lydlige belæg kræver en passende særskilt repræsentation før dette forløb. Kontrollér beregninger, citater og genereret kode mod kilden. Det nyttige resultat er et komplet tekstprodukt, som kan gennemgås, og hvor den faste Instruct-2507-identitet, ikke-tænkende tilstand og betingede procedure for lang kontekst er tydelige.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3-30b-a3b-instruct-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 $0.0002 / 1K tokens Output · Outputtokens $0.0008 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 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 $0.0002 / 1K tokens Output · Outputtokens $0.0008 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen/qwen3-30b-a3b-instruct-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-instruct-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-instruct-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/qwen3-30b-a3b-instruct-2507
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Draft a bounded project brief\n\nWrite a one-page-style brief in at most 170 words for a library's room-booking page. Facts: two rooms, maximum two-hour bookings, no recurring reservations, and a staff review for groups larger than eight. Use sections Goal, User steps, Rules and Open question. Include no payment features or assumed room capacities beyond the stated review threshold.An editable four-section project brief preserving the booking rules and one genuinely unanswered design question.The group-size threshold triggers staff review rather than being invented as an absolute room-capacity limit.