Qwen3.8s styrker i en tæt vision-sprogmodel
Qwen3.8-27B samler Qwen3.8s forbedringer inden for programmering, fagligt arbejde, research og agentopgaver i en tæt model med 27 milliarder parametre. Den modtager tekst, billeder og video og returnerer tekst. Dens dokumenterede visuelle anvendelsesområde omfatter STEM-diagrammer, dokumentsider og video i timelængde. Den er et særskilt checkpoint i forhold til den langt større Qwen3.8-2.4T-A95B, som kun håndterer tekst, så deres inputmuligheder og regler for tænkning bør holdes adskilt.
Qwen fremhæver selvstændig planlægning, brug af feedback fra omgivelserne og integration med udviklingsmiljøer. Til en agentopgave skal du angive målet, relevant materiale, tilladte værktøjer og den dokumentation, der kan vise, at opgaven er færdig. En model kan foreslå og revidere handlinger ud fra returnerede resultater; den tilsluttede software udfører handlingerne. Bed om det færdige produkt og uafklarede betingelser frem for at behandle en plan som et udført resultat.
Modeloverblik
27B-modellen har 64 sprogmodellag. Dens hybride opbygning grupperer tre Gated DeltaNet-lag efterfulgt af ét lag med gated attention og bruger tætte feedforward-netværk. Den er trænet med multi-token prediction og indeholder en vision-encoder. Disse arkitekturvalg beskriver den udgivne model; de betyder ikke, at alle installationer har identisk hukommelsesforbrug eller svartid.
Den indbyggede kontekst er 262,144 tokens med dokumenteret udvidelse til 1,000,000. Tekst, visuelle repræsentationer, samtalehistorik, tænkning og endeligt output deler det konfigurerede sekvensbudget. Producenten omtaler særskilt en administreret udgave med yderligere funktioner; disse funktioner bør ikke automatisk tilskrives det åbne checkpoint.
Brug af tekst, billeder og video
Til en kodeopgave skal du angive den relevante funktion eller det relevante modul, et input der fejler, og den forventede adfærd. Bed derefter om en patch med de berørte antagelser og kontroller. Bevar etiketter i et diagram, og giv hele spørgsmålet. For et dokument kan du bede om navngivne felter eller konklusioner med sidereferencer. For video skal du angive den relevante hændelse og bevare dens tidsangivelser.
Producentens videoeksempel bruger som standard to billeder pr. sekund i det understøttede serveringsforløb med mulighed for at styre sampling. En bred sceneopsummering og en kort hændelse kan kræve forskellig sampling. Vejledningen til lange videoer anbefaler at udvide videoprocessorens budget for at understøtte hyppigere sampling af materiale i timelængde og giver et eksempel svarende til cirka 224K videotokens. Det kræver konfiguration og konkurrerer med andet kontekstindhold; det er ikke en universel garanti for kliplængde.
Tænkning og tidligere ræsonnementer
Tænkning er aktiveret som standard og kan deaktiveres pr. forespørgsel via producentens enable_thinking-indstilling. reasoning_effort understøtter xhigh, medium og low, med xhigh som standard. Lavere indsats kan forkorte en enkelt tur, men Qwen advarer om, at utilstrækkelig analyse i agentopgaver kan føre til fejl og gentaget arbejde, som øger den samlede gennemførelsestid.
preserve_thinking er aktiveret som standard og bevarer ræsonnementsblokke fra tidligere beskeder for at sikre kontinuitet. Når den deaktiveres, bevares kun de tænkeblokke, som blev genereret under behandlingen af den seneste brugerbesked. Dette adskiller sig fra ældre Qwen-vejledning, der helt kasserer tidligere ræsonnementer. Hold ræsonnementer og endeligt indhold adskilt i grænsefladen, og bevar det præcise samtaleformat, checkpointet forventer. Producentens indstillinger fastslår ikke, hvilke parametre en anden applikation stiller til rådighed.
Vejledning til generering
Til tænkning anbefaler Qwen temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 og repetition penalty 1.0. Til direkte svar anbefales henholdsvis 0.7, 0.8, 20, 0, 1.5 og 1.0. En højere presence penalty kan mindske gentagelser, men kan også blande sprog eller forringe kvaliteten en smule.
I et konfigureret forløb med en million tokens, som understøtter særskilte grænser, anbefaler producenten budgetter på 262,144 tokens til ræsonnementer og 131,072 til det endelige svar. Det er betingede budgetanbefalinger, ikke selvstændige hårde outputgrænser eller tildelinger, som samtidig kan rummes i den indbyggede kontekst.
Ultralang kontekst og begrænsninger
Den dokumenterede udvidelse bruger YaRN med modellens egne sammenflettede positionsindstillinger. En faktor på fire sigter mod forløbet med en million tokens; til en arbejdsbelastning på omkring 524,288 tokens foreslår producenten en faktor på to. Statisk skalering kan påvirke kvaliteten af kortere tekster, så Qwen anbefaler at aktivere den, når der er behov for længere kontekst. Kopiér ikke en anden Qwen-VL-udgaves ekstrapolationsfaktor uden dens egen opskrift.
Organisér langt input efter dokument-, side- eller kodeidentifikator, og bed om et resultat, der kan kontrolleres. Kontrollér beregninger, små visuelle etiketter og genererede patches mod kilden. Lang kontekst, bevarede ræsonnementer og større videobudgetter hjælper med at føre mere dokumentation gennem en opgave; de dokumenterer ikke i sig selv fuldstændig genkaldelse, korrekt ræsonnement eller en afsluttet ekstern handling.
", "aboutText": "Qwen3.8s styrker i en tæt vision-sprogmodel\n\nQwen3.8-27B samler Qwen3.8s forbedringer inden for programmering, fagligt arbejde, research og agentopgaver i en tæt model med 27 milliarder parametre. Den modtager tekst, billeder og video og returnerer tekst. Dens dokumenterede visuelle anvendelsesområde omfatter STEM-diagrammer, dokumentsider og video i timelængde. Den er et særskilt checkpoint i forhold til den langt større Qwen3.8-2.4T-A95B, som kun håndterer tekst, så deres inputmuligheder og regler for tænkning bør holdes adskilt.\n\nQwen fremhæver selvstændig planlægning, brug af feedback fra omgivelserne og integration med udviklingsmiljøer. Til en agentopgave skal du angive målet, relevant materiale, tilladte værktøjer og den dokumentation, der kan vise, at opgaven er færdig. En model kan foreslå og revidere handlinger ud fra returnerede resultater; den tilsluttede software udfører handlingerne. Bed om det færdige produkt og uafklarede betingelser frem for at behandle en plan som et udført resultat.\n\nModeloverblik\n\n27B-modellen har 64 sprogmodellag. Dens hybride opbygning grupperer tre Gated DeltaNet-lag efterfulgt af ét lag med gated attention og bruger tætte feedforward-netværk. Den er trænet med multi-token prediction og indeholder en vision-encoder. Disse arkitekturvalg beskriver den udgivne model; de betyder ikke, at alle installationer har identisk hukommelsesforbrug eller svartid.\n\nDen indbyggede kontekst er 262,144 tokens med dokumenteret udvidelse til 1,000,000. Tekst, visuelle repræsentationer, samtalehistorik, tænkning og endeligt output deler det konfigurerede sekvensbudget. Producenten omtaler særskilt en administreret udgave med yderligere funktioner; disse funktioner bør ikke automatisk tilskrives det åbne checkpoint.\n\nBrug af tekst, billeder og video\n\nTil en kodeopgave skal du angive den relevante funktion eller det relevante modul, et input der fejler, og den forventede adfærd. Bed derefter om en patch med de berørte antagelser og kontroller. Bevar etiketter i et diagram, og giv hele spørgsmålet. For et dokument kan du bede om navngivne felter eller konklusioner med sidereferencer. For video skal du angive den relevante hændelse og bevare dens tidsangivelser.\n\nProducentens videoeksempel bruger som standard to billeder pr. sekund i det understøttede serveringsforløb med mulighed for at styre sampling. En bred sceneopsummering og en kort hændelse kan kræve forskellig sampling. Vejledningen til lange videoer anbefaler at udvide videoprocessorens budget for at understøtte hyppigere sampling af materiale i timelængde og giver et eksempel svarende til cirka 224K videotokens. Det kræver konfiguration og konkurrerer med andet kontekstindhold; det er ikke en universel garanti for kliplængde.\n\nTænkning og tidligere ræsonnementer\n\nTænkning er aktiveret som standard og kan deaktiveres pr. forespørgsel via producentens enable_thinking-indstilling. reasoning_effort understøtter xhigh, medium og low, med xhigh som standard. Lavere indsats kan forkorte en enkelt tur, men Qwen advarer om, at utilstrækkelig analyse i agentopgaver kan føre til fejl og gentaget arbejde, som øger den samlede gennemførelsestid.\n\npreserve_thinking er aktiveret som standard og bevarer ræsonnementsblokke fra tidligere beskeder for at sikre kontinuitet. Når den deaktiveres, bevares kun de tænkeblokke, som blev genereret under behandlingen af den seneste brugerbesked. Dette adskiller sig fra ældre Qwen-vejledning, der helt kasserer tidligere ræsonnementer. Hold ræsonnementer og endeligt indhold adskilt i grænsefladen, og bevar det præcise samtaleformat, checkpointet forventer. Producentens indstillinger fastslår ikke, hvilke parametre en anden applikation stiller til rådighed.\n\nVejledning til generering\n\nTil tænkning anbefaler Qwen temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 og repetition penalty 1.0. Til direkte svar anbefales henholdsvis 0.7, 0.8, 20, 0, 1.5 og 1.0. En højere presence penalty kan mindske gentagelser, men kan også blande sprog eller forringe kvaliteten en smule.\n\nI et konfigureret forløb med en million tokens, som understøtter særskilte grænser, anbefaler producenten budgetter på 262,144 tokens til ræsonnementer og 131,072 til det endelige svar. Det er betingede budgetanbefalinger, ikke selvstændige hårde outputgrænser eller tildelinger, som samtidig kan rummes i den indbyggede kontekst.\n\nUltralang kontekst og begrænsninger\n\nDen dokumenterede udvidelse bruger YaRN med modellens egne sammenflettede positionsindstillinger. En faktor på fire sigter mod forløbet med en million tokens; til en arbejdsbelastning på omkring 524,288 tokens foreslår producenten en faktor på to. Statisk skalering kan påvirke kvaliteten af kortere tekster, så Qwen anbefaler at aktivere den, når der er behov for længere kontekst. Kopiér ikke en anden Qwen-VL-udgaves ekstrapolationsfaktor uden dens egen opskrift.\n\nOrganisér langt input efter dokument-, side- eller kodeidentifikator, og bed om et resultat, der kan kontrolleres. Kontrollér beregninger, små visuelle etiketter og genererede patches mod kilden. Lang kontekst, bevarede ræsonnementer og større videobudgetter hjælper med at føre mere dokumentation gennem en opgave; de dokumenterer ikke i sig selv fuldstændig genkaldelse, korrekt ræsonnement eller en afsluttet ekstern handling.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Analyze a circuit described in text\n\nA written circuit description gives two 6-ohm resistors connected in parallel across an ideal 12-volt source. Assume ideal wires and constant resistance. Derive the equivalent resistance, total current and current through each branch. Show the formulas and verify that branch currents add to the total. No circuit image or execution tool is provided.A short derivation with units, three requested quantities and a current-sum check.Equivalent resistance is 3 ohms and the two equal branch currents sum to the derived total current.qwen/qwen3.8-27bQwen3.8-27B er Qwens tætte vision-sprogmodel til tekst, billeder og video med tekst som output. Den kombinerer programmering og agentarbejde over mange trin med valgfri tænkning, bevarelse af ræsonnementer og en indbygget kontekst på 262,144 tokens, som med konfiguration kan udvides til en million.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3.8s styrker i en tæt vision-sprogmodel
Qwen3.8-27B samler Qwen3.8s forbedringer inden for programmering, fagligt arbejde, research og agentopgaver i en tæt model med 27 milliarder parametre. Den modtager tekst, billeder og video og returnerer tekst. Dens dokumenterede visuelle anvendelsesområde omfatter STEM-diagrammer, dokumentsider og video i timelængde. Den er et særskilt checkpoint i forhold til den langt større Qwen3.8-2.4T-A95B, som kun håndterer tekst, så deres inputmuligheder og regler for tænkning bør holdes adskilt.
Qwen fremhæver selvstændig planlægning, brug af feedback fra omgivelserne og integration med udviklingsmiljøer. Til en agentopgave skal du angive målet, relevant materiale, tilladte værktøjer og den dokumentation, der kan vise, at opgaven er færdig. En model kan foreslå og revidere handlinger ud fra returnerede resultater; den tilsluttede software udfører handlingerne. Bed om det færdige produkt og uafklarede betingelser frem for at behandle en plan som et udført resultat.
Modeloverblik
27B-modellen har 64 sprogmodellag. Dens hybride opbygning grupperer tre Gated DeltaNet-lag efterfulgt af ét lag med gated attention og bruger tætte feedforward-netværk. Den er trænet med multi-token prediction og indeholder en vision-encoder. Disse arkitekturvalg beskriver den udgivne model; de betyder ikke, at alle installationer har identisk hukommelsesforbrug eller svartid.
Den indbyggede kontekst er 262,144 tokens med dokumenteret udvidelse til 1,000,000. Tekst, visuelle repræsentationer, samtalehistorik, tænkning og endeligt output deler det konfigurerede sekvensbudget. Producenten omtaler særskilt en administreret udgave med yderligere funktioner; disse funktioner bør ikke automatisk tilskrives det åbne checkpoint.
Brug af tekst, billeder og video
Til en kodeopgave skal du angive den relevante funktion eller det relevante modul, et input der fejler, og den forventede adfærd. Bed derefter om en patch med de berørte antagelser og kontroller. Bevar etiketter i et diagram, og giv hele spørgsmålet. For et dokument kan du bede om navngivne felter eller konklusioner med sidereferencer. For video skal du angive den relevante hændelse og bevare dens tidsangivelser.
Producentens videoeksempel bruger som standard to billeder pr. sekund i det understøttede serveringsforløb med mulighed for at styre sampling. En bred sceneopsummering og en kort hændelse kan kræve forskellig sampling. Vejledningen til lange videoer anbefaler at udvide videoprocessorens budget for at understøtte hyppigere sampling af materiale i timelængde og giver et eksempel svarende til cirka 224K videotokens. Det kræver konfiguration og konkurrerer med andet kontekstindhold; det er ikke en universel garanti for kliplængde.
Tænkning og tidligere ræsonnementer
Tænkning er aktiveret som standard og kan deaktiveres pr. forespørgsel via producentens enable_thinking-indstilling. reasoning_effort understøtter xhigh, medium og low, med xhigh som standard. Lavere indsats kan forkorte en enkelt tur, men Qwen advarer om, at utilstrækkelig analyse i agentopgaver kan føre til fejl og gentaget arbejde, som øger den samlede gennemførelsestid.
preserve_thinking er aktiveret som standard og bevarer ræsonnementsblokke fra tidligere beskeder for at sikre kontinuitet. Når den deaktiveres, bevares kun de tænkeblokke, som blev genereret under behandlingen af den seneste brugerbesked. Dette adskiller sig fra ældre Qwen-vejledning, der helt kasserer tidligere ræsonnementer. Hold ræsonnementer og endeligt indhold adskilt i grænsefladen, og bevar det præcise samtaleformat, checkpointet forventer. Producentens indstillinger fastslår ikke, hvilke parametre en anden applikation stiller til rådighed.
Vejledning til generering
Til tænkning anbefaler Qwen temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 og repetition penalty 1.0. Til direkte svar anbefales henholdsvis 0.7, 0.8, 20, 0, 1.5 og 1.0. En højere presence penalty kan mindske gentagelser, men kan også blande sprog eller forringe kvaliteten en smule.
I et konfigureret forløb med en million tokens, som understøtter særskilte grænser, anbefaler producenten budgetter på 262,144 tokens til ræsonnementer og 131,072 til det endelige svar. Det er betingede budgetanbefalinger, ikke selvstændige hårde outputgrænser eller tildelinger, som samtidig kan rummes i den indbyggede kontekst.
Ultralang kontekst og begrænsninger
Den dokumenterede udvidelse bruger YaRN med modellens egne sammenflettede positionsindstillinger. En faktor på fire sigter mod forløbet med en million tokens; til en arbejdsbelastning på omkring 524,288 tokens foreslår producenten en faktor på to. Statisk skalering kan påvirke kvaliteten af kortere tekster, så Qwen anbefaler at aktivere den, når der er behov for længere kontekst. Kopiér ikke en anden Qwen-VL-udgaves ekstrapolationsfaktor uden dens egen opskrift.
Organisér langt input efter dokument-, side- eller kodeidentifikator, og bed om et resultat, der kan kontrolleres. Kontrollér beregninger, små visuelle etiketter og genererede patches mod kilden. Lang kontekst, bevarede ræsonnementer og større videobudgetter hjælper med at føre mere dokumentation gennem en opgave; de dokumenterer ikke i sig selv fuldstændig genkaldelse, korrekt ræsonnement eller en afsluttet ekstern handling.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3.8-27b | 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 $0.00085 / 1K tokens Output · Outputtokens $0.0051 / 1K tokens Input · Cachelæsning $0.00017 / 1K tokens Input · Cacheskrivning $0.0010625 / 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 $0.00085 / 1K tokens Output · Outputtokens $0.0051 / 1K tokens Input · Cachelæsning $0.00017 / 1K tokens Input · Cacheskrivning $0.0010625 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.8-27b", "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/qwen3.8-27b',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/qwen3.8-27b',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/qwen3.8-27b
Brug metodestierne vist ovenfor.
qwen/qwen3.8-27bQwen3.8-27B er Qwens tætte vision-sprogmodel til tekst, billeder og video med tekst som output. Den kombinerer programmering og agentarbejde over mange trin med valgfri tænkning, bevarelse af ræsonnementer og en indbygget kontekst på 262,144 tokens, som med konfiguration kan udvides til en million.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3.8s styrker i en tæt vision-sprogmodel
Qwen3.8-27B samler Qwen3.8s forbedringer inden for programmering, fagligt arbejde, research og agentopgaver i en tæt model med 27 milliarder parametre. Den modtager tekst, billeder og video og returnerer tekst. Dens dokumenterede visuelle anvendelsesområde omfatter STEM-diagrammer, dokumentsider og video i timelængde. Den er et særskilt checkpoint i forhold til den langt større Qwen3.8-2.4T-A95B, som kun håndterer tekst, så deres inputmuligheder og regler for tænkning bør holdes adskilt.
Qwen fremhæver selvstændig planlægning, brug af feedback fra omgivelserne og integration med udviklingsmiljøer. Til en agentopgave skal du angive målet, relevant materiale, tilladte værktøjer og den dokumentation, der kan vise, at opgaven er færdig. En model kan foreslå og revidere handlinger ud fra returnerede resultater; den tilsluttede software udfører handlingerne. Bed om det færdige produkt og uafklarede betingelser frem for at behandle en plan som et udført resultat.
Modeloverblik
27B-modellen har 64 sprogmodellag. Dens hybride opbygning grupperer tre Gated DeltaNet-lag efterfulgt af ét lag med gated attention og bruger tætte feedforward-netværk. Den er trænet med multi-token prediction og indeholder en vision-encoder. Disse arkitekturvalg beskriver den udgivne model; de betyder ikke, at alle installationer har identisk hukommelsesforbrug eller svartid.
Den indbyggede kontekst er 262,144 tokens med dokumenteret udvidelse til 1,000,000. Tekst, visuelle repræsentationer, samtalehistorik, tænkning og endeligt output deler det konfigurerede sekvensbudget. Producenten omtaler særskilt en administreret udgave med yderligere funktioner; disse funktioner bør ikke automatisk tilskrives det åbne checkpoint.
Brug af tekst, billeder og video
Til en kodeopgave skal du angive den relevante funktion eller det relevante modul, et input der fejler, og den forventede adfærd. Bed derefter om en patch med de berørte antagelser og kontroller. Bevar etiketter i et diagram, og giv hele spørgsmålet. For et dokument kan du bede om navngivne felter eller konklusioner med sidereferencer. For video skal du angive den relevante hændelse og bevare dens tidsangivelser.
Producentens videoeksempel bruger som standard to billeder pr. sekund i det understøttede serveringsforløb med mulighed for at styre sampling. En bred sceneopsummering og en kort hændelse kan kræve forskellig sampling. Vejledningen til lange videoer anbefaler at udvide videoprocessorens budget for at understøtte hyppigere sampling af materiale i timelængde og giver et eksempel svarende til cirka 224K videotokens. Det kræver konfiguration og konkurrerer med andet kontekstindhold; det er ikke en universel garanti for kliplængde.
Tænkning og tidligere ræsonnementer
Tænkning er aktiveret som standard og kan deaktiveres pr. forespørgsel via producentens enable_thinking-indstilling. reasoning_effort understøtter xhigh, medium og low, med xhigh som standard. Lavere indsats kan forkorte en enkelt tur, men Qwen advarer om, at utilstrækkelig analyse i agentopgaver kan føre til fejl og gentaget arbejde, som øger den samlede gennemførelsestid.
preserve_thinking er aktiveret som standard og bevarer ræsonnementsblokke fra tidligere beskeder for at sikre kontinuitet. Når den deaktiveres, bevares kun de tænkeblokke, som blev genereret under behandlingen af den seneste brugerbesked. Dette adskiller sig fra ældre Qwen-vejledning, der helt kasserer tidligere ræsonnementer. Hold ræsonnementer og endeligt indhold adskilt i grænsefladen, og bevar det præcise samtaleformat, checkpointet forventer. Producentens indstillinger fastslår ikke, hvilke parametre en anden applikation stiller til rådighed.
Vejledning til generering
Til tænkning anbefaler Qwen temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 og repetition penalty 1.0. Til direkte svar anbefales henholdsvis 0.7, 0.8, 20, 0, 1.5 og 1.0. En højere presence penalty kan mindske gentagelser, men kan også blande sprog eller forringe kvaliteten en smule.
I et konfigureret forløb med en million tokens, som understøtter særskilte grænser, anbefaler producenten budgetter på 262,144 tokens til ræsonnementer og 131,072 til det endelige svar. Det er betingede budgetanbefalinger, ikke selvstændige hårde outputgrænser eller tildelinger, som samtidig kan rummes i den indbyggede kontekst.
Ultralang kontekst og begrænsninger
Den dokumenterede udvidelse bruger YaRN med modellens egne sammenflettede positionsindstillinger. En faktor på fire sigter mod forløbet med en million tokens; til en arbejdsbelastning på omkring 524,288 tokens foreslår producenten en faktor på to. Statisk skalering kan påvirke kvaliteten af kortere tekster, så Qwen anbefaler at aktivere den, når der er behov for længere kontekst. Kopiér ikke en anden Qwen-VL-udgaves ekstrapolationsfaktor uden dens egen opskrift.
Organisér langt input efter dokument-, side- eller kodeidentifikator, og bed om et resultat, der kan kontrolleres. Kontrollér beregninger, små visuelle etiketter og genererede patches mod kilden. Lang kontekst, bevarede ræsonnementer og større videobudgetter hjælper med at føre mere dokumentation gennem en opgave; de dokumenterer ikke i sig selv fuldstændig genkaldelse, korrekt ræsonnement eller en afsluttet ekstern handling.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3.8-27b | 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 $0.00085 / 1K tokens Output · Outputtokens $0.0051 / 1K tokens Input · Cachelæsning $0.00017 / 1K tokens Input · Cacheskrivning $0.0010625 / 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 $0.00085 / 1K tokens Output · Outputtokens $0.0051 / 1K tokens Input · Cachelæsning $0.00017 / 1K tokens Input · Cacheskrivning $0.0010625 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen/qwen3.8-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.8-27b', '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/qwen3.8-27b', '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/qwen3.8-27b
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Analyze a circuit described in text\n\nA written circuit description gives two 6-ohm resistors connected in parallel across an ideal 12-volt source. Assume ideal wires and constant resistance. Derive the equivalent resistance, total current and current through each branch. Show the formulas and verify that branch currents add to the total. No circuit image or execution tool is provided.A short derivation with units, three requested quantities and a current-sum check.Equivalent resistance is 3 ohms and the two equal branch currents sum to the derived total current.