Qwen3-32B er den største tætte model i den oprindelige Qwen3-udgivelse. Den kombinerer familiens tænketilstand til kompleks logik, matematik og programmering med ikke-tænkende svar til generel samtale. Qwen fremhæver også kreativ skrivning, rollebaseret dialog, instruktionsfølgning over flere ture og agentlignende værktøjsbrug. Modellen behandler tekst og genererer tekst; flersprogede instruktioner og oversættelse er en del af den oprindelige families støtte til 119 sprog og dialekter. Den kan få til opgave at levere en analytisk forklaring, et kodeforslag eller en nøje specificeret tekst.
Den præcise udgave har i alt 32,8 milliarder parametre fordelt på 64 lag. Det er en tæt model, særskilt fra Qwen3-30B-A3Bs arkitektur med ekspertrouting og fra senere særskilt navngivne Qwen3-udgaver. Dens native kontekst er 32.768 tokens. Forbered en krævende opgave med de relevante belæg, krav og det forventede resultat samlet. Til en teknisk gennemgang skal du angive komponentbeskrivelsen, grænsefladebegrænsningerne og det problem, der skal løses, og derefter bede om et forslag, der identificerer antagelser, afhængigheder og alternativer og, hvor det er passende, kun bruger det angivne materiale.
Producentens chatskabelon aktiverer tænkning som standard og stiller en hård enable_thinking-omskifter til rådighed. Hård deaktivering forhindrer tænkeindhold helt. Med tænkning aktiveret giver /think og /no_think i bruger- eller systeminstruktioner blød kontrol tur for tur, og den seneste instruktion bestemmer den ønskede adfærd. En blød anmodning om ikke-tænkning kan efterlade en tom tænkeblok; en /think-markør kan ikke tilsidesætte en hårdt deaktiveret skabelon. Det lader den oprindelige model veksle mellem en direkte udkastanmodning og et spørgsmål, der har gavn af en længere ræsonneringskæde, når de foreskrevne kontroller anvendes.
Genereringseksemplet parser et <think>-afsnit særskilt fra det endelige svar. Qwen anbefaler at gøre slutformatet eksplicit, såsom et indrammet matematisk svar eller ét svarfelt til en multiple choice-opgave. I praktisk analyse skal du specificere den ønskede konklusion og det underbyggende materiale: for eksempel et endeligt designvalg efterfulgt af de begrænsninger, det opfylder, og de spørgsmål, der stadig er åbne. Bevar det endelige svar frem for det tidligere tænkeindhold i efterfølgende samtalehistorik i henhold til producentens vejledning. Det bevarer det resultat, senere spørgsmål har brug for, uden at føre hvert ræsonneringstrin videre.
Værktøjskald er en del af den dokumenterede modelprofil i begge tilstande. Qwen anbefaler Qwen-Agent til værktøjskaldsskabeloner og parsere og demonstrerer informationssøgning, tidsoplysninger og en kodefortolker. Definér værktøjerne tydeligt, angiv betydningen af deres argumenter, og fortæl modellen, hvad der udgør en afsluttet opgave. Et nyttigt forløb kan bede om at hente udvalgte oplysninger, angive det faktiske returnerede indhold og derefter anmode om en syntese eller en foreslået implementering. Modellens ønskede kald og applikationens værktøjsudførelse er separate trin; det endelige svar bør bygge på de returnerede belæg.
Til længere input dokumenterer kortet YaRN-udvidelse til 131.072 tokens. Det native vindue er mindre, og statisk skalering kan påvirke ydeevnen ved korte input. Qwen anbefaler at aktivere udvidelsen, når en længere kontekst faktisk kræves; kortet forklarer desuden en standardallokering på 40.960 positioner til prompt og output. Vælg relevante dokumenter, og bevar overskrifter, kildegrænser og terminologi. Afsæt plads til ræsonneringen og det endelige svar, især når opgaven kræver afstemning af flere specifikationer frem for et resumé af én passage.
De officielle anbefalinger er temperature 0.6, top-p 0.95, top-k 20 og min-p 0 til tænkning; til ikke-tænkning erstatter temperature 0.7 og top-p 0.8 de første to indstillinger. Qwen fraråder greedy decoding i tænketilstand og bemærker, at en høj presence penalty kan medføre sprogblanding eller forringet kvalitet. Den anbefaler en outputramme på 32.768 tokens til de fleste forespørgsler og beskriver 38.912 til særligt krævende matematik- og programmeringsproblemer. Disse rammer er vejledning til generering, ikke en universel hård svargrænse. En præcis opgave og et defineret slutformat hjælper med at fokusere modellens tilgængelige ræsonnering på det arbejde, læseren har brug for.
", "aboutText": "Qwen3-32B er den største tætte model i den oprindelige Qwen3-udgivelse. Den kombinerer familiens tænketilstand til kompleks logik, matematik og programmering med ikke-tænkende svar til generel samtale. Qwen fremhæver også kreativ skrivning, rollebaseret dialog, instruktionsfølgning over flere ture og agentlignende værktøjsbrug. Modellen behandler tekst og genererer tekst; flersprogede instruktioner og oversættelse er en del af den oprindelige families støtte til 119 sprog og dialekter. Den kan få til opgave at levere en analytisk forklaring, et kodeforslag eller en nøje specificeret tekst.\n\nDen præcise udgave har i alt 32,8 milliarder parametre fordelt på 64 lag. Det er en tæt model, særskilt fra Qwen3-30B-A3Bs arkitektur med ekspertrouting og fra senere særskilt navngivne Qwen3-udgaver. Dens native kontekst er 32.768 tokens. Forbered en krævende opgave med de relevante belæg, krav og det forventede resultat samlet. Til en teknisk gennemgang skal du angive komponentbeskrivelsen, grænsefladebegrænsningerne og det problem, der skal løses, og derefter bede om et forslag, der identificerer antagelser, afhængigheder og alternativer og, hvor det er passende, kun bruger det angivne materiale.\n\nProducentens chatskabelon aktiverer tænkning som standard og stiller en hård enable_thinking-omskifter til rådighed. Hård deaktivering forhindrer tænkeindhold helt. Med tænkning aktiveret giver /think og /no_think i bruger- eller systeminstruktioner blød kontrol tur for tur, og den seneste instruktion bestemmer den ønskede adfærd. En blød anmodning om ikke-tænkning kan efterlade en tom tænkeblok; en /think-markør kan ikke tilsidesætte en hårdt deaktiveret skabelon. Det lader den oprindelige model veksle mellem en direkte udkastanmodning og et spørgsmål, der har gavn af en længere ræsonneringskæde, når de foreskrevne kontroller anvendes.\n\nGenereringseksemplet parser etTeknisk eksempel på engelsk
Review a cache invalidation design\n\nA report cache is keyed only by report name. Reports also depend on account ID and selected month. Two users requesting the same name can receive the wrong account or month. Propose a revised key contract, explain the dependencies it captures and give three text test cases. Use only the described inputs; propose no repository edits.A key contract, dependency explanation and cases distinguishing account and month.Different accounts or months must not share a cache entry solely because the report name matches.qwen/qwen3-32bQwen3-32B er Qwens tætte hybride tekstmodel til kompleks ræsonnering, programmering, flersproget skrivning og værktøjsstyrede opgaver. Den kombinerer tænkende og ikke-tænkende tilstand i én model og har 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.
Qwen3-32B er den største tætte model i den oprindelige Qwen3-udgivelse. Den kombinerer familiens tænketilstand til kompleks logik, matematik og programmering med ikke-tænkende svar til generel samtale. Qwen fremhæver også kreativ skrivning, rollebaseret dialog, instruktionsfølgning over flere ture og agentlignende værktøjsbrug. Modellen behandler tekst og genererer tekst; flersprogede instruktioner og oversættelse er en del af den oprindelige families støtte til 119 sprog og dialekter. Den kan få til opgave at levere en analytisk forklaring, et kodeforslag eller en nøje specificeret tekst.
Den præcise udgave har i alt 32,8 milliarder parametre fordelt på 64 lag. Det er en tæt model, særskilt fra Qwen3-30B-A3Bs arkitektur med ekspertrouting og fra senere særskilt navngivne Qwen3-udgaver. Dens native kontekst er 32.768 tokens. Forbered en krævende opgave med de relevante belæg, krav og det forventede resultat samlet. Til en teknisk gennemgang skal du angive komponentbeskrivelsen, grænsefladebegrænsningerne og det problem, der skal løses, og derefter bede om et forslag, der identificerer antagelser, afhængigheder og alternativer og, hvor det er passende, kun bruger det angivne materiale.
Producentens chatskabelon aktiverer tænkning som standard og stiller en hård enable_thinking-omskifter til rådighed. Hård deaktivering forhindrer tænkeindhold helt. Med tænkning aktiveret giver /think og /no_think i bruger- eller systeminstruktioner blød kontrol tur for tur, og den seneste instruktion bestemmer den ønskede adfærd. En blød anmodning om ikke-tænkning kan efterlade en tom tænkeblok; en /think-markør kan ikke tilsidesætte en hårdt deaktiveret skabelon. Det lader den oprindelige model veksle mellem en direkte udkastanmodning og et spørgsmål, der har gavn af en længere ræsonneringskæde, når de foreskrevne kontroller anvendes.
Genereringseksemplet parser et <think>-afsnit særskilt fra det endelige svar. Qwen anbefaler at gøre slutformatet eksplicit, såsom et indrammet matematisk svar eller ét svarfelt til en multiple choice-opgave. I praktisk analyse skal du specificere den ønskede konklusion og det underbyggende materiale: for eksempel et endeligt designvalg efterfulgt af de begrænsninger, det opfylder, og de spørgsmål, der stadig er åbne. Bevar det endelige svar frem for det tidligere tænkeindhold i efterfølgende samtalehistorik i henhold til producentens vejledning. Det bevarer det resultat, senere spørgsmål har brug for, uden at føre hvert ræsonneringstrin videre.
Værktøjskald er en del af den dokumenterede modelprofil i begge tilstande. Qwen anbefaler Qwen-Agent til værktøjskaldsskabeloner og parsere og demonstrerer informationssøgning, tidsoplysninger og en kodefortolker. Definér værktøjerne tydeligt, angiv betydningen af deres argumenter, og fortæl modellen, hvad der udgør en afsluttet opgave. Et nyttigt forløb kan bede om at hente udvalgte oplysninger, angive det faktiske returnerede indhold og derefter anmode om en syntese eller en foreslået implementering. Modellens ønskede kald og applikationens værktøjsudførelse er separate trin; det endelige svar bør bygge på de returnerede belæg.
Til længere input dokumenterer kortet YaRN-udvidelse til 131.072 tokens. Det native vindue er mindre, og statisk skalering kan påvirke ydeevnen ved korte input. Qwen anbefaler at aktivere udvidelsen, når en længere kontekst faktisk kræves; kortet forklarer desuden en standardallokering på 40.960 positioner til prompt og output. Vælg relevante dokumenter, og bevar overskrifter, kildegrænser og terminologi. Afsæt plads til ræsonneringen og det endelige svar, især når opgaven kræver afstemning af flere specifikationer frem for et resumé af én passage.
De officielle anbefalinger er temperature 0.6, top-p 0.95, top-k 20 og min-p 0 til tænkning; til ikke-tænkning erstatter temperature 0.7 og top-p 0.8 de første to indstillinger. Qwen fraråder greedy decoding i tænketilstand og bemærker, at en høj presence penalty kan medføre sprogblanding eller forringet kvalitet. Den anbefaler en outputramme på 32.768 tokens til de fleste forespørgsler og beskriver 38.912 til særligt krævende matematik- og programmeringsproblemer. Disse rammer er vejledning til generering, ikke en universel hård svargrænse. En præcis opgave og et defineret slutformat hjælper med at fokusere modellens tilgængelige ræsonnering på det arbejde, læseren har brug for.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3-32b | 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 $0.000286 / 1K tokens Output · Outputtokens $0.001144 / 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 $0.000286 / 1K tokens Output · Outputtokens $0.001144 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-32b", "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/qwen3-32b',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/qwen3-32b',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/qwen3-32b
Brug metodestierne vist ovenfor.
qwen/qwen3-32bQwen3-32B er Qwens tætte hybride tekstmodel til kompleks ræsonnering, programmering, flersproget skrivning og værktøjsstyrede opgaver. Den kombinerer tænkende og ikke-tænkende tilstand i én model og har 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.
Qwen3-32B er den største tætte model i den oprindelige Qwen3-udgivelse. Den kombinerer familiens tænketilstand til kompleks logik, matematik og programmering med ikke-tænkende svar til generel samtale. Qwen fremhæver også kreativ skrivning, rollebaseret dialog, instruktionsfølgning over flere ture og agentlignende værktøjsbrug. Modellen behandler tekst og genererer tekst; flersprogede instruktioner og oversættelse er en del af den oprindelige families støtte til 119 sprog og dialekter. Den kan få til opgave at levere en analytisk forklaring, et kodeforslag eller en nøje specificeret tekst.
Den præcise udgave har i alt 32,8 milliarder parametre fordelt på 64 lag. Det er en tæt model, særskilt fra Qwen3-30B-A3Bs arkitektur med ekspertrouting og fra senere særskilt navngivne Qwen3-udgaver. Dens native kontekst er 32.768 tokens. Forbered en krævende opgave med de relevante belæg, krav og det forventede resultat samlet. Til en teknisk gennemgang skal du angive komponentbeskrivelsen, grænsefladebegrænsningerne og det problem, der skal løses, og derefter bede om et forslag, der identificerer antagelser, afhængigheder og alternativer og, hvor det er passende, kun bruger det angivne materiale.
Producentens chatskabelon aktiverer tænkning som standard og stiller en hård enable_thinking-omskifter til rådighed. Hård deaktivering forhindrer tænkeindhold helt. Med tænkning aktiveret giver /think og /no_think i bruger- eller systeminstruktioner blød kontrol tur for tur, og den seneste instruktion bestemmer den ønskede adfærd. En blød anmodning om ikke-tænkning kan efterlade en tom tænkeblok; en /think-markør kan ikke tilsidesætte en hårdt deaktiveret skabelon. Det lader den oprindelige model veksle mellem en direkte udkastanmodning og et spørgsmål, der har gavn af en længere ræsonneringskæde, når de foreskrevne kontroller anvendes.
Genereringseksemplet parser et <think>-afsnit særskilt fra det endelige svar. Qwen anbefaler at gøre slutformatet eksplicit, såsom et indrammet matematisk svar eller ét svarfelt til en multiple choice-opgave. I praktisk analyse skal du specificere den ønskede konklusion og det underbyggende materiale: for eksempel et endeligt designvalg efterfulgt af de begrænsninger, det opfylder, og de spørgsmål, der stadig er åbne. Bevar det endelige svar frem for det tidligere tænkeindhold i efterfølgende samtalehistorik i henhold til producentens vejledning. Det bevarer det resultat, senere spørgsmål har brug for, uden at føre hvert ræsonneringstrin videre.
Værktøjskald er en del af den dokumenterede modelprofil i begge tilstande. Qwen anbefaler Qwen-Agent til værktøjskaldsskabeloner og parsere og demonstrerer informationssøgning, tidsoplysninger og en kodefortolker. Definér værktøjerne tydeligt, angiv betydningen af deres argumenter, og fortæl modellen, hvad der udgør en afsluttet opgave. Et nyttigt forløb kan bede om at hente udvalgte oplysninger, angive det faktiske returnerede indhold og derefter anmode om en syntese eller en foreslået implementering. Modellens ønskede kald og applikationens værktøjsudførelse er separate trin; det endelige svar bør bygge på de returnerede belæg.
Til længere input dokumenterer kortet YaRN-udvidelse til 131.072 tokens. Det native vindue er mindre, og statisk skalering kan påvirke ydeevnen ved korte input. Qwen anbefaler at aktivere udvidelsen, når en længere kontekst faktisk kræves; kortet forklarer desuden en standardallokering på 40.960 positioner til prompt og output. Vælg relevante dokumenter, og bevar overskrifter, kildegrænser og terminologi. Afsæt plads til ræsonneringen og det endelige svar, især når opgaven kræver afstemning af flere specifikationer frem for et resumé af én passage.
De officielle anbefalinger er temperature 0.6, top-p 0.95, top-k 20 og min-p 0 til tænkning; til ikke-tænkning erstatter temperature 0.7 og top-p 0.8 de første to indstillinger. Qwen fraråder greedy decoding i tænketilstand og bemærker, at en høj presence penalty kan medføre sprogblanding eller forringet kvalitet. Den anbefaler en outputramme på 32.768 tokens til de fleste forespørgsler og beskriver 38.912 til særligt krævende matematik- og programmeringsproblemer. Disse rammer er vejledning til generering, ikke en universel hård svargrænse. En præcis opgave og et defineret slutformat hjælper med at fokusere modellens tilgængelige ræsonnering på det arbejde, læseren har brug for.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3-32b | 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 $0.000286 / 1K tokens Output · Outputtokens $0.001144 / 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 $0.000286 / 1K tokens Output · Outputtokens $0.001144 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen/qwen3-32b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3-32b', '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/qwen3-32b', '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/qwen3-32b
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Review a cache invalidation design\n\nA report cache is keyed only by report name. Reports also depend on account ID and selected month. Two users requesting the same name can receive the wrong account or month. Propose a revised key contract, explain the dependencies it captures and give three text test cases. Use only the described inputs; propose no repository edits.A key contract, dependency explanation and cases distinguishing account and month.Different accounts or months must not share a cache entry solely because the report name matches.