Qwen3-30B-A3B kombinerer to svarstile i én tekstmodel: tænkning til komplekse logiske, matematiske og programmeringsmæssige problemer og ikke-tænkning til enkel dialog. Qwen fremhæver også kreativ skrivning, rollebaseret samtale, instruktionsfølgning og integration med eksterne værktøjer. Den oprindelige Qwen3-familie understøtter 119 sprog og dialekter, hvilket gør modellen nyttig til flersprogede spørgsmål, oversættelse og samtaler, hvor det ønskede sprog kan ændre sig mellem ture. Angiv outputsproget, bevar terminologi, der skal forblive uændret, og beskriv læserens behov.
Dette er den oprindelige mixture-of-experts-udgave Qwen3-30B-A3B. Dens i alt 30,5 milliarder parametre omfatter 3,3 milliarder aktiveret for hver token; otte af dens 128 eksperter vælges i modellens ekspertlag. Den sparsomme arkitektur er en væsentlig forskel fra Qwen3s tætte modeller. Denne profil vedrører den oprindelige hybridmodel, hvis native kontekst er 32.768 tokens, frem for en senere særskilt navngiven Instruct-2507- eller Thinking-2507-udgave. Til en analyseopgave skal du angive den relevante kode eller kildepassager, det spørgsmål, der skal løses, og de betingelser, et gyldigt svar skal opfylde.
I den officielle chatskabelon er tænkning aktiveret som standard. Den hårde enable_thinking-omskifter kan deaktivere den helt. Når tænkning fortsat er aktiveret, fungerer /think og /no_think i en bruger- eller systeminstruktion som bløde omskiftere, og den seneste instruktion styrer den ønskede adfærd på tværs af ture. En /no_think-anmodning under en aktiveret skabelon kan stadig producere en tom tænkeblok; når den hårde omskifter er deaktiveret, aktiverer ingen af markørerne tænkning. Denne forskel er vigtig, når et forløb veksler mellem en umiddelbar omskrivning og et mere omfattende fejlfindings- eller ræsonneringsspørgsmål.
Qwens eksempler adskiller <think>-afsnittet fra det endelige svar. Til et programmeringsproblem skal du forberede det mindste relevante kildeuddrag, den observerede fejl og det ønskede resultat og derefter bede om en diagnose og et rettelsesforslag. Til et matematisk problem anbefaler producenten en eksplicit trinvis instruktion med det endelige svar placeret i \\boxed{}. En multiple choice-opgave kan i stedet definere ét svarfelt. I senere samtaleture anbefaler Qwen at bevare det endelige svar og udelade det tidligere tænkeindhold fra historikken frem for gentagne gange at føre hele ræsonneringsafsnittet videre.
Værktøjskald beskrives for begge tilstande. Qwen anbefaler Qwen-Agent til at håndtere modellens værktøjsskabeloner og parsing med eksempler på informationssøgning, tidsoplysninger og en kodefortolker. Beskriv de tilgængelige værktøjer og deres argumenter, før du beder modellen planlægge en sekvens. En nyttig opgave kan anmode om en kontrol af udvalgt dokumentation efterfulgt af et begrundet implementeringsforslag; returnér hvert værktøjsresultat til samtalen, så modellen kan fortsætte fra faktiske belæg. Den tekstlige værktøjsanmodning og resultatet af applikationens udførte handling forbliver separate dele af forløbet.
Kortet beskriver kontekstudvidelse til 131.072 tokens med YaRN. Det er en konfigurationsafhængig udvidelse af det native vindue, og Qwen advarer om, at statisk skalering kan påvirke kortere input. Kortet forklarer også en standardkonfiguration med 40.960 positioner, der fordeler plads til en typisk prompt og et langt svar; dette er særskilt fra beskrivelsen af den native kontekst. Forbered langt materiale med tydelige dokumentgrænser, prioritér de dele, der er relevante for spørgsmålet, og giv plads til svaret og eventuel ræsonnering.
Til tænkning anbefaler Qwen temperature 0.6, top-p 0.95, top-k 20 og min-p 0 og fraråder greedy decoding, fordi det kan forringe resultaterne eller gentage tekst uendeligt. Til ikke-tænkning ændrer vejledningen temperature til 0.7 og top-p til 0.8. Den anbefaler en outputramme på 32.768 tokens til de fleste forespørgsler og beskriver 38.912 tokens til særligt krævende matematik- og programmeringsproblemer. Dette er producentens genereringsindstillinger, ikke en særskilt garanti om en fast svarlængde. Vælg tilstanden og det ønskede produkt sammen, så svaret har plads til både den nødvendige ræsonnering og det nyttige endelige resultat.
", "aboutText": "Qwen3-30B-A3B kombinerer to svarstile i én tekstmodel: tænkning til komplekse logiske, matematiske og programmeringsmæssige problemer og ikke-tænkning til enkel dialog. Qwen fremhæver også kreativ skrivning, rollebaseret samtale, instruktionsfølgning og integration med eksterne værktøjer. Den oprindelige Qwen3-familie understøtter 119 sprog og dialekter, hvilket gør modellen nyttig til flersprogede spørgsmål, oversættelse og samtaler, hvor det ønskede sprog kan ændre sig mellem ture. Angiv outputsproget, bevar terminologi, der skal forblive uændret, og beskriv læserens behov.\n\nDette er den oprindelige mixture-of-experts-udgave Qwen3-30B-A3B. Dens i alt 30,5 milliarder parametre omfatter 3,3 milliarder aktiveret for hver token; otte af dens 128 eksperter vælges i modellens ekspertlag. Den sparsomme arkitektur er en væsentlig forskel fra Qwen3s tætte modeller. Denne profil vedrører den oprindelige hybridmodel, hvis native kontekst er 32.768 tokens, frem for en senere særskilt navngiven Instruct-2507- eller Thinking-2507-udgave. Til en analyseopgave skal du angive den relevante kode eller kildepassager, det spørgsmål, der skal løses, og de betingelser, et gyldigt svar skal opfylde.\n\nI den officielle chatskabelon er tænkning aktiveret som standard. Den hårde enable_thinking-omskifter kan deaktivere den helt. Når tænkning fortsat er aktiveret, fungerer /think og /no_think i en bruger- eller systeminstruktion som bløde omskiftere, og den seneste instruktion styrer den ønskede adfærd på tværs af ture. En /no_think-anmodning under en aktiveret skabelon kan stadig producere en tom tænkeblok; når den hårde omskifter er deaktiveret, aktiverer ingen af markørerne tænkning. Denne forskel er vigtig, når et forløb veksler mellem en umiddelbar omskrivning og et mere omfattende fejlfindings- eller ræsonneringsspørgsmål.\n\nQwens eksempler adskillerTeknisk eksempel på engelsk
Explain a weighted-average mistake\n\nA student averages two class scores as (80 + 90) / 2. The first class has 10 students and the second has 30. Explain why that calculation does not give the combined student average, derive the correct weighted expression and state when the simple average would be valid. Finish with the combined average in a separate final line.A short explanation, a weighted formula, its evaluated result and the equal-weight condition.The explanation uses student counts as weights and distinguishes a class average from a student average.qwen/qwen3-30b-a3bQwen3-30B-A3B er Qwens mixture-of-experts-tekstmodel med tænkende og ikke-tænkende tilstande til ræsonnering, programmering og flersproget samtale. Den har i alt 30,5 milliarder parametre, 3,3 milliarder aktive pr. token og en nativ kontekst på 32.768 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3-30B-A3B kombinerer to svarstile i én tekstmodel: tænkning til komplekse logiske, matematiske og programmeringsmæssige problemer og ikke-tænkning til enkel dialog. Qwen fremhæver også kreativ skrivning, rollebaseret samtale, instruktionsfølgning og integration med eksterne værktøjer. Den oprindelige Qwen3-familie understøtter 119 sprog og dialekter, hvilket gør modellen nyttig til flersprogede spørgsmål, oversættelse og samtaler, hvor det ønskede sprog kan ændre sig mellem ture. Angiv outputsproget, bevar terminologi, der skal forblive uændret, og beskriv læserens behov.
Dette er den oprindelige mixture-of-experts-udgave Qwen3-30B-A3B. Dens i alt 30,5 milliarder parametre omfatter 3,3 milliarder aktiveret for hver token; otte af dens 128 eksperter vælges i modellens ekspertlag. Den sparsomme arkitektur er en væsentlig forskel fra Qwen3s tætte modeller. Denne profil vedrører den oprindelige hybridmodel, hvis native kontekst er 32.768 tokens, frem for en senere særskilt navngiven Instruct-2507- eller Thinking-2507-udgave. Til en analyseopgave skal du angive den relevante kode eller kildepassager, det spørgsmål, der skal løses, og de betingelser, et gyldigt svar skal opfylde.
I den officielle chatskabelon er tænkning aktiveret som standard. Den hårde enable_thinking-omskifter kan deaktivere den helt. Når tænkning fortsat er aktiveret, fungerer /think og /no_think i en bruger- eller systeminstruktion som bløde omskiftere, og den seneste instruktion styrer den ønskede adfærd på tværs af ture. En /no_think-anmodning under en aktiveret skabelon kan stadig producere en tom tænkeblok; når den hårde omskifter er deaktiveret, aktiverer ingen af markørerne tænkning. Denne forskel er vigtig, når et forløb veksler mellem en umiddelbar omskrivning og et mere omfattende fejlfindings- eller ræsonneringsspørgsmål.
Qwens eksempler adskiller <think>-afsnittet fra det endelige svar. Til et programmeringsproblem skal du forberede det mindste relevante kildeuddrag, den observerede fejl og det ønskede resultat og derefter bede om en diagnose og et rettelsesforslag. Til et matematisk problem anbefaler producenten en eksplicit trinvis instruktion med det endelige svar placeret i \\boxed{}. En multiple choice-opgave kan i stedet definere ét svarfelt. I senere samtaleture anbefaler Qwen at bevare det endelige svar og udelade det tidligere tænkeindhold fra historikken frem for gentagne gange at føre hele ræsonneringsafsnittet videre.
Værktøjskald beskrives for begge tilstande. Qwen anbefaler Qwen-Agent til at håndtere modellens værktøjsskabeloner og parsing med eksempler på informationssøgning, tidsoplysninger og en kodefortolker. Beskriv de tilgængelige værktøjer og deres argumenter, før du beder modellen planlægge en sekvens. En nyttig opgave kan anmode om en kontrol af udvalgt dokumentation efterfulgt af et begrundet implementeringsforslag; returnér hvert værktøjsresultat til samtalen, så modellen kan fortsætte fra faktiske belæg. Den tekstlige værktøjsanmodning og resultatet af applikationens udførte handling forbliver separate dele af forløbet.
Kortet beskriver kontekstudvidelse til 131.072 tokens med YaRN. Det er en konfigurationsafhængig udvidelse af det native vindue, og Qwen advarer om, at statisk skalering kan påvirke kortere input. Kortet forklarer også en standardkonfiguration med 40.960 positioner, der fordeler plads til en typisk prompt og et langt svar; dette er særskilt fra beskrivelsen af den native kontekst. Forbered langt materiale med tydelige dokumentgrænser, prioritér de dele, der er relevante for spørgsmålet, og giv plads til svaret og eventuel ræsonnering.
Til tænkning anbefaler Qwen temperature 0.6, top-p 0.95, top-k 20 og min-p 0 og fraråder greedy decoding, fordi det kan forringe resultaterne eller gentage tekst uendeligt. Til ikke-tænkning ændrer vejledningen temperature til 0.7 og top-p til 0.8. Den anbefaler en outputramme på 32.768 tokens til de fleste forespørgsler og beskriver 38.912 tokens til særligt krævende matematik- og programmeringsproblemer. Dette er producentens genereringsindstillinger, ikke en særskilt garanti om en fast svarlængde. Vælg tilstanden og det ønskede produkt sammen, så svaret har plads til både den nødvendige ræsonnering og det nyttige endelige resultat.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3-30b-a3b | 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 $0.00024 / 1K tokens Output · Outputtokens $0.001 / 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 $0.00024 / 1K tokens Output · Outputtokens $0.001 / 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", "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',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',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
Brug metodestierne vist ovenfor.
qwen/qwen3-30b-a3bQwen3-30B-A3B er Qwens mixture-of-experts-tekstmodel med tænkende og ikke-tænkende tilstande til ræsonnering, programmering og flersproget samtale. Den har i alt 30,5 milliarder parametre, 3,3 milliarder aktive pr. token og en nativ kontekst på 32.768 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3-30B-A3B kombinerer to svarstile i én tekstmodel: tænkning til komplekse logiske, matematiske og programmeringsmæssige problemer og ikke-tænkning til enkel dialog. Qwen fremhæver også kreativ skrivning, rollebaseret samtale, instruktionsfølgning og integration med eksterne værktøjer. Den oprindelige Qwen3-familie understøtter 119 sprog og dialekter, hvilket gør modellen nyttig til flersprogede spørgsmål, oversættelse og samtaler, hvor det ønskede sprog kan ændre sig mellem ture. Angiv outputsproget, bevar terminologi, der skal forblive uændret, og beskriv læserens behov.
Dette er den oprindelige mixture-of-experts-udgave Qwen3-30B-A3B. Dens i alt 30,5 milliarder parametre omfatter 3,3 milliarder aktiveret for hver token; otte af dens 128 eksperter vælges i modellens ekspertlag. Den sparsomme arkitektur er en væsentlig forskel fra Qwen3s tætte modeller. Denne profil vedrører den oprindelige hybridmodel, hvis native kontekst er 32.768 tokens, frem for en senere særskilt navngiven Instruct-2507- eller Thinking-2507-udgave. Til en analyseopgave skal du angive den relevante kode eller kildepassager, det spørgsmål, der skal løses, og de betingelser, et gyldigt svar skal opfylde.
I den officielle chatskabelon er tænkning aktiveret som standard. Den hårde enable_thinking-omskifter kan deaktivere den helt. Når tænkning fortsat er aktiveret, fungerer /think og /no_think i en bruger- eller systeminstruktion som bløde omskiftere, og den seneste instruktion styrer den ønskede adfærd på tværs af ture. En /no_think-anmodning under en aktiveret skabelon kan stadig producere en tom tænkeblok; når den hårde omskifter er deaktiveret, aktiverer ingen af markørerne tænkning. Denne forskel er vigtig, når et forløb veksler mellem en umiddelbar omskrivning og et mere omfattende fejlfindings- eller ræsonneringsspørgsmål.
Qwens eksempler adskiller <think>-afsnittet fra det endelige svar. Til et programmeringsproblem skal du forberede det mindste relevante kildeuddrag, den observerede fejl og det ønskede resultat og derefter bede om en diagnose og et rettelsesforslag. Til et matematisk problem anbefaler producenten en eksplicit trinvis instruktion med det endelige svar placeret i \\boxed{}. En multiple choice-opgave kan i stedet definere ét svarfelt. I senere samtaleture anbefaler Qwen at bevare det endelige svar og udelade det tidligere tænkeindhold fra historikken frem for gentagne gange at føre hele ræsonneringsafsnittet videre.
Værktøjskald beskrives for begge tilstande. Qwen anbefaler Qwen-Agent til at håndtere modellens værktøjsskabeloner og parsing med eksempler på informationssøgning, tidsoplysninger og en kodefortolker. Beskriv de tilgængelige værktøjer og deres argumenter, før du beder modellen planlægge en sekvens. En nyttig opgave kan anmode om en kontrol af udvalgt dokumentation efterfulgt af et begrundet implementeringsforslag; returnér hvert værktøjsresultat til samtalen, så modellen kan fortsætte fra faktiske belæg. Den tekstlige værktøjsanmodning og resultatet af applikationens udførte handling forbliver separate dele af forløbet.
Kortet beskriver kontekstudvidelse til 131.072 tokens med YaRN. Det er en konfigurationsafhængig udvidelse af det native vindue, og Qwen advarer om, at statisk skalering kan påvirke kortere input. Kortet forklarer også en standardkonfiguration med 40.960 positioner, der fordeler plads til en typisk prompt og et langt svar; dette er særskilt fra beskrivelsen af den native kontekst. Forbered langt materiale med tydelige dokumentgrænser, prioritér de dele, der er relevante for spørgsmålet, og giv plads til svaret og eventuel ræsonnering.
Til tænkning anbefaler Qwen temperature 0.6, top-p 0.95, top-k 20 og min-p 0 og fraråder greedy decoding, fordi det kan forringe resultaterne eller gentage tekst uendeligt. Til ikke-tænkning ændrer vejledningen temperature til 0.7 og top-p til 0.8. Den anbefaler en outputramme på 32.768 tokens til de fleste forespørgsler og beskriver 38.912 tokens til særligt krævende matematik- og programmeringsproblemer. Dette er producentens genereringsindstillinger, ikke en særskilt garanti om en fast svarlængde. Vælg tilstanden og det ønskede produkt sammen, så svaret har plads til både den nødvendige ræsonnering og det nyttige endelige resultat.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3-30b-a3b | 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 $0.00024 / 1K tokens Output · Outputtokens $0.001 / 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 $0.00024 / 1K tokens Output · Outputtokens $0.001 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen/qwen3-30b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Explain a weighted-average mistake\n\nA student averages two class scores as (80 + 90) / 2. The first class has 10 students and the second has 30. Explain why that calculation does not give the combined student average, derive the correct weighted expression and state when the simple average would be valid. Finish with the combined average in a separate final line.A short explanation, a weighted formula, its evaluated result and the equal-weight condition.The explanation uses student counts as weights and distinguishes a class average from a student average.