Qwen3.8s styrker: vedvarende tekstræsonnement
Qwen3.8-2.4T-A95B er det åbne Qwen3.8-checkpoint til tekstræsonnement. Qwen beskriver forbedringer inden for programmering, fagligt arbejde, research og langvarige agentopgaver, herunder planlægning og brug af feedback fra omgivelserne. Det modtager tekst og returnerer tekst. Producenten adskiller det udtrykkeligt fra den administrerede Qwen3.8-Max-tjeneste: billedinput og understøttelse af svar uden tænkning er yderligere funktioner i denne tjeneste, ikke egenskaber ved netop dette åbne checkpoint.
Til en programmeringsopgave skal du angive de relevante moduler, kravet og et input, der viser den aktuelle adfærd. Bed om en forklaret ændring og et færdigt produkt, der kan inspiceres. Til research eller en faglig rapport skal du angive dokumentationen, de krævede afsnit og vurderingskriterierne og derefter bede modellen skelne mellem underbyggede resultater og antagelser. Det er praktiske anvendelser af det dokumenterede opgaveområde, ikke løfter om udført kode eller ekspertgodkendte konklusioner.
Modeloverblik
Den sparsomme mixture-of-experts-model har 2.4 billioner parametre i alt og aktiverer 95 milliarder. Den har 92 lag og 512 routede eksperter og vælger ti routede eksperter sammen med én fælles ekspert. Dens hybride blokke kombinerer Gated DeltaNet og gated attention med ekspertlag i et tre-til-en-mønster. Multi-token prediction indgår i træningen. Antallet af aktiverede parametre er ikke hele checkpointets størrelse, og et højt samlet antal giver ikke en garanti for svartid.
Den indbyggede kontekst er 262,144 tokens med dokumenteret udvidelse op til 1,010,000. Dette adskiller sig fra den administrerede Max-references standardkontekst på en million tokens. Brug det faktisk konfigurerede sekvensbudget til kildetekst, samtalehistorik, ræsonnementer og det endelige svar frem for at antage, at alle de største tal gælder samtidig.
Brug af det præcise tænkningscheckpoint
Tænkning er påkrævet ved enhver interaktion og kan ikke deaktiveres. Det dokumenterede output begynder med en ræsonnementsblok før den endelige tekst. reasoning_effort understøtter xhigh, medium og low; xhigh er standard. Low reducerer den tilsigtede dybde, men er stadig en tænkningsmodus. Et ønske om et kort endeligt svar kan styre den ønskede leverance uden at gøre modellen til en udgave uden tænkning.
preserve_thinking er aktiveret som standard. Bevarelse af ræsonnementer fra tidligere ture hjælper en iterativ opgave med at føre beslutningskonteksten videre. Hold rettelser, værktøjsresultater og det endelige svar knyttet til de ture, der frembragte dem. Denne model skal følge sine egne regler for historik frem for at arve ældre råd om at fjerne alle ræsonnementsblokke fra tidligere beskeder. Den konkrete adgang til indstillinger for indsats og bevarelse afhænger af den grænseflade, der implementerer checkpointets opskrift.
Udviklingsmiljøer og feedback fra omgivelserne
Qwen beskriver kompatibilitet med udviklingsmiljøer og værktøjer. En længerevarende opgave kan formuleres som et mål, tilladte handlinger og dokumentation for færdiggørelse; applikationen kan derefter levere observationer fra inspektion eller udførelse. Bed modellen forklare, hvordan hvert nyt resultat ændrer planen, og angive, hvad der stadig er uafklaret. At planlægge en handling og at modtage et reelt resultat er forskellige dele af dette forløb.
Modelkortets administrerede Max-eksempler omfatter yderligere indbyggede værktøjer. De bør ikke omsættes til automatisk websøgning, kodeudførelse eller visuelt input for denne åbne model. Dens nyttige rolle er som tekstræsonnerende komponent i et tilsluttet forløb; værktøjer og eksterne virkninger tilhører den applikation, der leverer dem.
Anbefalinger til generering
Producenten anbefaler temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 og repetition penalty 1.0. Hvor det understøttes, kan en presence penalty mellem nul og to mindske gentaget tekst, men højere værdier kan blande sprog eller forringe kvaliteten en smule. Parameterunderstøttelsen varierer med implementeringen.
Til et konfigureret forløb med en million tokens og særskilte grænser for ræsonnementer og endeligt svar anbefaler Qwen 262,144 tokens til ræsonnementer og 131,072 til det endelige svar. Det er betingede budgetter, ikke særskilt fastslåede hårde grænser eller budgetter, der tilsammen kan rummes i den indbyggede kontekst på 262,144 tokens. Afsæt plads nok til en komplet leverance, og bed om et endeligt resultat, der er let at finde efter ræsonnementerne.
Praktiske begrænsninger
Dette checkpoint modtager ikke billeder, lyd eller video. Om nødvendigt skal relevant dokumentation omsættes til en egnet tekstrepræsentation gennem et særskilt forløb, mens identifikatorer, der gør svaret kontrollerbart, bevares. Modelkortet angiver en udvidet kontekst, men giver ikke en komplet opgavespecifik opskrift på udvidelsen eller en universel mediegrænse for denne model, der kun håndterer tekst. Bevar checkpointets præcise identitet og konfiguration, kontrollér beregninger og kodeforslag mod kilden, og behandl det færdige produkt som et resultat til gennemgang frem for et bevis på, at en hel ekstern opgave er afsluttet.
", "aboutText": "Qwen3.8s styrker: vedvarende tekstræsonnement\n\nQwen3.8-2.4T-A95B er det åbne Qwen3.8-checkpoint til tekstræsonnement. Qwen beskriver forbedringer inden for programmering, fagligt arbejde, research og langvarige agentopgaver, herunder planlægning og brug af feedback fra omgivelserne. Det modtager tekst og returnerer tekst. Producenten adskiller det udtrykkeligt fra den administrerede Qwen3.8-Max-tjeneste: billedinput og understøttelse af svar uden tænkning er yderligere funktioner i denne tjeneste, ikke egenskaber ved netop dette åbne checkpoint.\n\nTil en programmeringsopgave skal du angive de relevante moduler, kravet og et input, der viser den aktuelle adfærd. Bed om en forklaret ændring og et færdigt produkt, der kan inspiceres. Til research eller en faglig rapport skal du angive dokumentationen, de krævede afsnit og vurderingskriterierne og derefter bede modellen skelne mellem underbyggede resultater og antagelser. Det er praktiske anvendelser af det dokumenterede opgaveområde, ikke løfter om udført kode eller ekspertgodkendte konklusioner.\n\nModeloverblik\n\nDen sparsomme mixture-of-experts-model har 2.4 billioner parametre i alt og aktiverer 95 milliarder. Den har 92 lag og 512 routede eksperter og vælger ti routede eksperter sammen med én fælles ekspert. Dens hybride blokke kombinerer Gated DeltaNet og gated attention med ekspertlag i et tre-til-en-mønster. Multi-token prediction indgår i træningen. Antallet af aktiverede parametre er ikke hele checkpointets størrelse, og et højt samlet antal giver ikke en garanti for svartid.\n\nDen indbyggede kontekst er 262,144 tokens med dokumenteret udvidelse op til 1,010,000. Dette adskiller sig fra den administrerede Max-references standardkontekst på en million tokens. Brug det faktisk konfigurerede sekvensbudget til kildetekst, samtalehistorik, ræsonnementer og det endelige svar frem for at antage, at alle de største tal gælder samtidig.\n\nBrug af det præcise tænkningscheckpoint\n\nTænkning er påkrævet ved enhver interaktion og kan ikke deaktiveres. Det dokumenterede output begynder med en ræsonnementsblok før den endelige tekst. reasoning_effort understøtter xhigh, medium og low; xhigh er standard. Low reducerer den tilsigtede dybde, men er stadig en tænkningsmodus. Et ønske om et kort endeligt svar kan styre den ønskede leverance uden at gøre modellen til en udgave uden tænkning.\n\npreserve_thinking er aktiveret som standard. Bevarelse af ræsonnementer fra tidligere ture hjælper en iterativ opgave med at føre beslutningskonteksten videre. Hold rettelser, værktøjsresultater og det endelige svar knyttet til de ture, der frembragte dem. Denne model skal følge sine egne regler for historik frem for at arve ældre råd om at fjerne alle ræsonnementsblokke fra tidligere beskeder. Den konkrete adgang til indstillinger for indsats og bevarelse afhænger af den grænseflade, der implementerer checkpointets opskrift.\n\nUdviklingsmiljøer og feedback fra omgivelserne\n\nQwen beskriver kompatibilitet med udviklingsmiljøer og værktøjer. En længerevarende opgave kan formuleres som et mål, tilladte handlinger og dokumentation for færdiggørelse; applikationen kan derefter levere observationer fra inspektion eller udførelse. Bed modellen forklare, hvordan hvert nyt resultat ændrer planen, og angive, hvad der stadig er uafklaret. At planlægge en handling og at modtage et reelt resultat er forskellige dele af dette forløb.\n\nModelkortets administrerede Max-eksempler omfatter yderligere indbyggede værktøjer. De bør ikke omsættes til automatisk websøgning, kodeudførelse eller visuelt input for denne åbne model. Dens nyttige rolle er som tekstræsonnerende komponent i et tilsluttet forløb; værktøjer og eksterne virkninger tilhører den applikation, der leverer dem.\n\nAnbefalinger til generering\n\nProducenten anbefaler temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 og repetition penalty 1.0. Hvor det understøttes, kan en presence penalty mellem nul og to mindske gentaget tekst, men højere værdier kan blande sprog eller forringe kvaliteten en smule. Parameterunderstøttelsen varierer med implementeringen.\n\nTil et konfigureret forløb med en million tokens og særskilte grænser for ræsonnementer og endeligt svar anbefaler Qwen 262,144 tokens til ræsonnementer og 131,072 til det endelige svar. Det er betingede budgetter, ikke særskilt fastslåede hårde grænser eller budgetter, der tilsammen kan rummes i den indbyggede kontekst på 262,144 tokens. Afsæt plads nok til en komplet leverance, og bed om et endeligt resultat, der er let at finde efter ræsonnementerne.\n\nPraktiske begrænsninger\n\nDette checkpoint modtager ikke billeder, lyd eller video. Om nødvendigt skal relevant dokumentation omsættes til en egnet tekstrepræsentation gennem et særskilt forløb, mens identifikatorer, der gør svaret kontrollerbart, bevares. Modelkortet angiver en udvidet kontekst, men giver ikke en komplet opgavespecifik opskrift på udvidelsen eller en universel mediegrænse for denne model, der kun håndterer tekst. Bevar checkpointets præcise identitet og konfiguration, kontrollér beregninger og kodeforslag mod kilden, og behandl det færdige produkt som et resultat til gennemgang frem for et bevis på, at en hel ekstern opgave er afsluttet.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Review a resumable migration plan\n\nReview this migration design against the requirement that every row is copied exactly once. Step 1 copies 100 rows after last_id. Step 2 saves last_id. A crash can occur between steps. Explain the duplicate risk after restart and propose a minimal idempotent write or atomic checkpoint design. Include a test that interrupts precisely between the two steps.A cause analysis, one concrete correction strategy and a crash-point regression scenario.Rerunning after the interruption cannot produce duplicate destination rows or skip uncopied source rows.qwen/qwen3.8-2.4t-a95bQwen3.8-2.4T-A95B er Qwens sparsomme mixture-of-experts-model til tekstræsonnement med 2.4 billioner parametre i alt og 95 milliarder aktiverede. Dette åbne checkpoint bruger altid tænkning, understøtter justerbar ræsonnementsindsats og bevarer ræsonnementskontekst til vedvarende programmerings- og fagopgaver.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3.8s styrker: vedvarende tekstræsonnement
Qwen3.8-2.4T-A95B er det åbne Qwen3.8-checkpoint til tekstræsonnement. Qwen beskriver forbedringer inden for programmering, fagligt arbejde, research og langvarige agentopgaver, herunder planlægning og brug af feedback fra omgivelserne. Det modtager tekst og returnerer tekst. Producenten adskiller det udtrykkeligt fra den administrerede Qwen3.8-Max-tjeneste: billedinput og understøttelse af svar uden tænkning er yderligere funktioner i denne tjeneste, ikke egenskaber ved netop dette åbne checkpoint.
Til en programmeringsopgave skal du angive de relevante moduler, kravet og et input, der viser den aktuelle adfærd. Bed om en forklaret ændring og et færdigt produkt, der kan inspiceres. Til research eller en faglig rapport skal du angive dokumentationen, de krævede afsnit og vurderingskriterierne og derefter bede modellen skelne mellem underbyggede resultater og antagelser. Det er praktiske anvendelser af det dokumenterede opgaveområde, ikke løfter om udført kode eller ekspertgodkendte konklusioner.
Modeloverblik
Den sparsomme mixture-of-experts-model har 2.4 billioner parametre i alt og aktiverer 95 milliarder. Den har 92 lag og 512 routede eksperter og vælger ti routede eksperter sammen med én fælles ekspert. Dens hybride blokke kombinerer Gated DeltaNet og gated attention med ekspertlag i et tre-til-en-mønster. Multi-token prediction indgår i træningen. Antallet af aktiverede parametre er ikke hele checkpointets størrelse, og et højt samlet antal giver ikke en garanti for svartid.
Den indbyggede kontekst er 262,144 tokens med dokumenteret udvidelse op til 1,010,000. Dette adskiller sig fra den administrerede Max-references standardkontekst på en million tokens. Brug det faktisk konfigurerede sekvensbudget til kildetekst, samtalehistorik, ræsonnementer og det endelige svar frem for at antage, at alle de største tal gælder samtidig.
Brug af det præcise tænkningscheckpoint
Tænkning er påkrævet ved enhver interaktion og kan ikke deaktiveres. Det dokumenterede output begynder med en ræsonnementsblok før den endelige tekst. reasoning_effort understøtter xhigh, medium og low; xhigh er standard. Low reducerer den tilsigtede dybde, men er stadig en tænkningsmodus. Et ønske om et kort endeligt svar kan styre den ønskede leverance uden at gøre modellen til en udgave uden tænkning.
preserve_thinking er aktiveret som standard. Bevarelse af ræsonnementer fra tidligere ture hjælper en iterativ opgave med at føre beslutningskonteksten videre. Hold rettelser, værktøjsresultater og det endelige svar knyttet til de ture, der frembragte dem. Denne model skal følge sine egne regler for historik frem for at arve ældre råd om at fjerne alle ræsonnementsblokke fra tidligere beskeder. Den konkrete adgang til indstillinger for indsats og bevarelse afhænger af den grænseflade, der implementerer checkpointets opskrift.
Udviklingsmiljøer og feedback fra omgivelserne
Qwen beskriver kompatibilitet med udviklingsmiljøer og værktøjer. En længerevarende opgave kan formuleres som et mål, tilladte handlinger og dokumentation for færdiggørelse; applikationen kan derefter levere observationer fra inspektion eller udførelse. Bed modellen forklare, hvordan hvert nyt resultat ændrer planen, og angive, hvad der stadig er uafklaret. At planlægge en handling og at modtage et reelt resultat er forskellige dele af dette forløb.
Modelkortets administrerede Max-eksempler omfatter yderligere indbyggede værktøjer. De bør ikke omsættes til automatisk websøgning, kodeudførelse eller visuelt input for denne åbne model. Dens nyttige rolle er som tekstræsonnerende komponent i et tilsluttet forløb; værktøjer og eksterne virkninger tilhører den applikation, der leverer dem.
Anbefalinger til generering
Producenten anbefaler temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 og repetition penalty 1.0. Hvor det understøttes, kan en presence penalty mellem nul og to mindske gentaget tekst, men højere værdier kan blande sprog eller forringe kvaliteten en smule. Parameterunderstøttelsen varierer med implementeringen.
Til et konfigureret forløb med en million tokens og særskilte grænser for ræsonnementer og endeligt svar anbefaler Qwen 262,144 tokens til ræsonnementer og 131,072 til det endelige svar. Det er betingede budgetter, ikke særskilt fastslåede hårde grænser eller budgetter, der tilsammen kan rummes i den indbyggede kontekst på 262,144 tokens. Afsæt plads nok til en komplet leverance, og bed om et endeligt resultat, der er let at finde efter ræsonnementerne.
Praktiske begrænsninger
Dette checkpoint modtager ikke billeder, lyd eller video. Om nødvendigt skal relevant dokumentation omsættes til en egnet tekstrepræsentation gennem et særskilt forløb, mens identifikatorer, der gør svaret kontrollerbart, bevares. Modelkortet angiver en udvidet kontekst, men giver ikke en komplet opgavespecifik opskrift på udvidelsen eller en universel mediegrænse for denne model, der kun håndterer tekst. Bevar checkpointets præcise identitet og konfiguration, kontrollér beregninger og kodeforslag mod kilden, og behandl det færdige produkt som et resultat til gennemgang frem for et bevis på, at en hel ekstern opgave er afsluttet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3.8-2.4t-a95b | 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 $0.004 / 1K tokens Output · Outputtokens $0.012 / 1K tokens Input · Cachelæsning $0.0005 / 1K tokens Input · Cacheskrivning $0.005 / 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 $0.004 / 1K tokens Output · Outputtokens $0.012 / 1K tokens Input · Cachelæsning $0.0005 / 1K tokens Input · Cacheskrivning $0.005 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.8-2.4t-a95b", "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/qwen3.8-2.4t-a95b',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/qwen3.8-2.4t-a95b',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/qwen3.8-2.4t-a95b
Brug metodestierne vist ovenfor.
qwen/qwen3.8-2.4t-a95bQwen3.8-2.4T-A95B er Qwens sparsomme mixture-of-experts-model til tekstræsonnement med 2.4 billioner parametre i alt og 95 milliarder aktiverede. Dette åbne checkpoint bruger altid tænkning, understøtter justerbar ræsonnementsindsats og bevarer ræsonnementskontekst til vedvarende programmerings- og fagopgaver.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3.8s styrker: vedvarende tekstræsonnement
Qwen3.8-2.4T-A95B er det åbne Qwen3.8-checkpoint til tekstræsonnement. Qwen beskriver forbedringer inden for programmering, fagligt arbejde, research og langvarige agentopgaver, herunder planlægning og brug af feedback fra omgivelserne. Det modtager tekst og returnerer tekst. Producenten adskiller det udtrykkeligt fra den administrerede Qwen3.8-Max-tjeneste: billedinput og understøttelse af svar uden tænkning er yderligere funktioner i denne tjeneste, ikke egenskaber ved netop dette åbne checkpoint.
Til en programmeringsopgave skal du angive de relevante moduler, kravet og et input, der viser den aktuelle adfærd. Bed om en forklaret ændring og et færdigt produkt, der kan inspiceres. Til research eller en faglig rapport skal du angive dokumentationen, de krævede afsnit og vurderingskriterierne og derefter bede modellen skelne mellem underbyggede resultater og antagelser. Det er praktiske anvendelser af det dokumenterede opgaveområde, ikke løfter om udført kode eller ekspertgodkendte konklusioner.
Modeloverblik
Den sparsomme mixture-of-experts-model har 2.4 billioner parametre i alt og aktiverer 95 milliarder. Den har 92 lag og 512 routede eksperter og vælger ti routede eksperter sammen med én fælles ekspert. Dens hybride blokke kombinerer Gated DeltaNet og gated attention med ekspertlag i et tre-til-en-mønster. Multi-token prediction indgår i træningen. Antallet af aktiverede parametre er ikke hele checkpointets størrelse, og et højt samlet antal giver ikke en garanti for svartid.
Den indbyggede kontekst er 262,144 tokens med dokumenteret udvidelse op til 1,010,000. Dette adskiller sig fra den administrerede Max-references standardkontekst på en million tokens. Brug det faktisk konfigurerede sekvensbudget til kildetekst, samtalehistorik, ræsonnementer og det endelige svar frem for at antage, at alle de største tal gælder samtidig.
Brug af det præcise tænkningscheckpoint
Tænkning er påkrævet ved enhver interaktion og kan ikke deaktiveres. Det dokumenterede output begynder med en ræsonnementsblok før den endelige tekst. reasoning_effort understøtter xhigh, medium og low; xhigh er standard. Low reducerer den tilsigtede dybde, men er stadig en tænkningsmodus. Et ønske om et kort endeligt svar kan styre den ønskede leverance uden at gøre modellen til en udgave uden tænkning.
preserve_thinking er aktiveret som standard. Bevarelse af ræsonnementer fra tidligere ture hjælper en iterativ opgave med at føre beslutningskonteksten videre. Hold rettelser, værktøjsresultater og det endelige svar knyttet til de ture, der frembragte dem. Denne model skal følge sine egne regler for historik frem for at arve ældre råd om at fjerne alle ræsonnementsblokke fra tidligere beskeder. Den konkrete adgang til indstillinger for indsats og bevarelse afhænger af den grænseflade, der implementerer checkpointets opskrift.
Udviklingsmiljøer og feedback fra omgivelserne
Qwen beskriver kompatibilitet med udviklingsmiljøer og værktøjer. En længerevarende opgave kan formuleres som et mål, tilladte handlinger og dokumentation for færdiggørelse; applikationen kan derefter levere observationer fra inspektion eller udførelse. Bed modellen forklare, hvordan hvert nyt resultat ændrer planen, og angive, hvad der stadig er uafklaret. At planlægge en handling og at modtage et reelt resultat er forskellige dele af dette forløb.
Modelkortets administrerede Max-eksempler omfatter yderligere indbyggede værktøjer. De bør ikke omsættes til automatisk websøgning, kodeudførelse eller visuelt input for denne åbne model. Dens nyttige rolle er som tekstræsonnerende komponent i et tilsluttet forløb; værktøjer og eksterne virkninger tilhører den applikation, der leverer dem.
Anbefalinger til generering
Producenten anbefaler temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 og repetition penalty 1.0. Hvor det understøttes, kan en presence penalty mellem nul og to mindske gentaget tekst, men højere værdier kan blande sprog eller forringe kvaliteten en smule. Parameterunderstøttelsen varierer med implementeringen.
Til et konfigureret forløb med en million tokens og særskilte grænser for ræsonnementer og endeligt svar anbefaler Qwen 262,144 tokens til ræsonnementer og 131,072 til det endelige svar. Det er betingede budgetter, ikke særskilt fastslåede hårde grænser eller budgetter, der tilsammen kan rummes i den indbyggede kontekst på 262,144 tokens. Afsæt plads nok til en komplet leverance, og bed om et endeligt resultat, der er let at finde efter ræsonnementerne.
Praktiske begrænsninger
Dette checkpoint modtager ikke billeder, lyd eller video. Om nødvendigt skal relevant dokumentation omsættes til en egnet tekstrepræsentation gennem et særskilt forløb, mens identifikatorer, der gør svaret kontrollerbart, bevares. Modelkortet angiver en udvidet kontekst, men giver ikke en komplet opgavespecifik opskrift på udvidelsen eller en universel mediegrænse for denne model, der kun håndterer tekst. Bevar checkpointets præcise identitet og konfiguration, kontrollér beregninger og kodeforslag mod kilden, og behandl det færdige produkt som et resultat til gennemgang frem for et bevis på, at en hel ekstern opgave er afsluttet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3.8-2.4t-a95b | 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 $0.004 / 1K tokens Output · Outputtokens $0.012 / 1K tokens Input · Cachelæsning $0.0005 / 1K tokens Input · Cacheskrivning $0.005 / 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 $0.004 / 1K tokens Output · Outputtokens $0.012 / 1K tokens Input · Cachelæsning $0.0005 / 1K tokens Input · Cacheskrivning $0.005 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen/qwen3.8-2.4t-a95b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.8-2.4t-a95b', '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/qwen3.8-2.4t-a95b', '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/qwen3.8-2.4t-a95b
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Review a resumable migration plan\n\nReview this migration design against the requirement that every row is copied exactly once. Step 1 copies 100 rows after last_id. Step 2 saves last_id. A crash can occur between steps. Explain the duplicate risk after restart and propose a minimal idempotent write or atomic checkpoint design. Include a test that interrupts precisely between the two steps.A cause analysis, one concrete correction strategy and a crash-point regression scenario.Rerunning after the interruption cannot produce duplicate destination rows or skip uncopied source rows.