Source: https://ailoot.ai/models/da/qwen-qwen3-8-27b/ Canonical: https://ailoot.ai/models/da/qwen-qwen3-8-27b/ Language: da # Qwen: Qwen3.8 27B [Markdown](https://ailoot.ai/models/da/qwen-qwen3-8-27b/index.md) · [JSON](https://ailoot.ai/models/da/qwen-qwen3-8-27b/facts.json) ## [Qwen: Qwen3.8 27B](https://ailoot.ai/models/da/qwen-qwen3-8-27b/) Qwen3.8-27B 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. - [**Ailoot Ultra · OpenAI Chat** `POST /v1/chat/completions` `qwen/qwen3.8-27b`](https://ailoot.ai/models/da/qwen-qwen3-8-27b/#method-0) - [**Ailoot Ultra · Anthropic Messages** `POST /v1/messages` `qwen/qwen3.8-27b`](https://ailoot.ai/models/da/qwen-qwen3-8-27b/#method-1) Om modellen 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. Praktisk opgave ### Praktisk opgave Teknisk eksempel på engelsk ``` Analyze a circuit described in text A 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. ``` #### Forventet resultat ``` A short derivation with units, three requested quantities and a current-sum check. ``` #### Kontrollér resultatet ``` Equivalent resistance is 3 ohms and the two equal branch currents sum to the derived total current. ``` **Ailoot Ultra · OpenAI Chat** `POST /v1/chat/completions` `qwen/qwen3.8-27b` [`qwen/qwen3.8-27b`](https://ailoot.ai/models/da/#m=qwen%2Fqwen3.8-27b&route=Ultra&caller=qwen%2Fqwen3.8-27b&fmt=chat) Alibaba /`qwen/qwen3.8-27b` ### Start Qwen3.8-27B 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. Accepterede input Tekst Resultater Tekst ### Tilgængelig i Ailoot · input og metoder **Ailoot Ultra · OpenAI Chat** `POST /v1/chat/completions` Inputtyper `text` Outputtyper `text` Outputformat json eller SSE | Felt | Type | Krav | Værdier og grænser | Standard | | --- | --- | --- | --- | --- | | Felt`model` | Type`string` | KravPåkrævet | Værdier og grænser qwen/qwen3.8-27b | Standard— | | Felt`messages` | Type`message[]` | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— | | Felt`messages[].role` | Type`string` | 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— | | Felt`messages[].content` | Type`string\|content_part[]\|null` | KravValgfrit | Værdier og grænser | Standard— | | Felt`messages[].tool_calls` | Type`tool_call[]` | KravValgfrit | Værdier og grænser | Standard— | | Felt`messages[].tool_call_id` | Type`string` | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— | | Felt`messages[].name` | Type`string` | KravValgfrit | Værdier og grænser | Standard— | | Felt`messages[].reasoning_content` | Type`string` | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— | | Felt`messages[].reasoning_details` | Type`object\|array` | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— | | Felt`max_tokens` | Type`integer` | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— | | Felt`max_completion_tokens` | Type`integer` | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— | | Felt`stream` | Type`boolean` | KravValgfrit | Værdier og grænser | Standardfalse | | Felt`stream_options.include_usage` | Type`boolean` | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— | | Felt`temperature` | Type`number` | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— | | Felt`top_p` | Type`number` | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— | | Felt`stop` | Type`string\|string[]` | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— | | Felt`tools` | Type`function_tool[]` | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— | | Felt`tools[].type` | Type`string` | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— | | Felt`tools[].function.name` | Type`string` | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— | | Felt`tools[].function.description` | Type`string` | KravValgfrit | Værdier og grænser | Standard— | | Felt`tools[].function.parameters` | Type`JSON_schema` | KravValgfrit | Værdier og grænser | Standard— | | Felt`tool_choice` | Type`string\|object` | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— | | Felt`parallel_tool_calls` | Type`boolean` | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— | | Felt`response_format` | Type`object` | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— | | Felt`reasoning_effort` | Type`string` | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— | | Felt`reasoning` | Type`object` | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— | | Felt`service_tier` | Type`string` | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— | | Felt`instructions` | Type`string` | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— | | Felt`functions` | Type`function[]` | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— | | Felt`function_call` | Type`string\|object` | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— | | Felt`prompt_cache_options` | Type`object` | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— | | Felt`modalities` | Type`string[]` | KravValgfrit | Værdier og grænser text | Standard— | | Felt`provider` | Type`object` | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— | | Felt`cache_control.ttl` | Type`string` | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— | Kombinationer af inputmaterialer **Tekst** · UTF8-tekst `messages[].content` Metodeparametre og livscyklus | Parameter | Kontrakt | | --- | --- | | Parameter`content_type` | Kontraktapplication/json | | Parameter`required` | Kontraktmodel, messages | | Parameter`material_types` | Kontrakttext | | Parameter`messages` | Kontraktbeskedarray med strukturen role/content | | Parameter`file_material` | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes | | Parameter`optional_controls` | Kontraktstream, temperature, top\_p, stop, max\_tokens, max\_completion\_tokens, reasoning, response\_format, tools, tool\_choice | | Parameter`control_scope` | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer | | Parameter`output_modalities` | Kontrakttext | | Parameter`hosted_operations` | Kontraktfalse | | Parameter`multimodal_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. ### Priser Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode. Hurtig tilstand Standardpris Når hurtig tilstand er valgt flex-tilstand Standardpris Når flex-tilstanden er valgt Maksimal ræsonneringsindsats Standardpris Når default-justeringen anvendes ved maksimal ræsonneringsindsats Ræsonneringsindsats · low Standardpris Når ræsonneringsindsatsen er sat til low Ræsonneringsindsats · medium Standardpris Når ræsonneringsindsatsen er sat til medium Ræsonneringsindsats · xhigh Standardpris Når ræsonneringsindsatsen er sat til xhigh #### Ailoot-takster #### Priser efter konfiguration 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 **$0.0010625** / 1K tokens Input · Cacheskrivning, 1 time **—** / 1K tokens | Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. [Sådan fungerer reservation og afregning →](https://ailoot.ai/docs/da/billing/reserve/) ### Eksempelanmodninger #### Ailoot Ultra · OpenAI Chat curlPython SDKPython-stream ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path p=json.loads('{"model": "qwen/qwen3.8-27b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}') Path("request.json").write_text(json.dumps(p,ensure_ascii=False)) PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \ -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o result.json python3 - <<'PY_RESULT' import json from pathlib import Path r=json.loads(Path("result.json").read_text()) for x in r.get("choices",[]): if x.get("message",{}).get("content"): print(x["message"]["content"]) PY_RESULT ``` ```python from openai import OpenAI import os if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request") client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0) result=client.chat.completions.create(model='qwen/qwen3.8-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) import base64, json from pathlib import Path def save_result(data, stem="result"): # Keep every field, including usage, IDs, reasoning and tool requests. Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8") print(json.dumps(data, ensure_ascii=False, indent=2)) def save_blob(encoded, suffix, label): raw = base64.b64decode(encoded, altchars=b"-_", validate=True) 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 file = Path(stem + "-" + label + "." + ext) file.write_bytes(raw) print("Saved", file) for index, block in enumerate(data.get("content") or []): print("Content", index, json.dumps(block, ensure_ascii=False)) for choice in data.get("choices") or []: print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False)) for index, item in enumerate(data.get("output") or []): print("Output", index, json.dumps(item, ensure_ascii=False)) if item.get("type") == "image_generation_call" and item.get("result"): save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index)) for ci, candidate in enumerate(data.get("candidates") or []): for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []): print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False)) blob = part.get("inlineData") or part.get("inline_data") if blob and blob.get("data"): mime = blob.get("mimeType") or blob.get("mime_type") suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin") save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi)) save_result(result.to_dict(mode="json")) ``` ```python from openai import OpenAI import os from pathlib import Path if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request") client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0) import base64, json from pathlib import Path def save_result(data, stem="result"): # Keep every field, including usage, IDs, reasoning and tool requests. Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8") print(json.dumps(data, ensure_ascii=False, indent=2)) def save_blob(encoded, suffix, label): raw = base64.b64decode(encoded, altchars=b"-_", validate=True) 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 file = Path(stem + "-" + label + "." + ext) file.write_bytes(raw) print("Saved", file) for index, block in enumerate(data.get("content") or []): print("Content", index, json.dumps(block, ensure_ascii=False)) for choice in data.get("choices") or []: print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False)) for index, item in enumerate(data.get("output") or []): print("Output", index, json.dumps(item, ensure_ascii=False)) if item.get("type") == "image_generation_call" and item.get("result"): save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index)) for ci, candidate in enumerate(data.get("candidates") or []): for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []): print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False)) blob = part.get("inlineData") or part.get("inline_data") if blob and blob.get("data"): mime = blob.get("mimeType") or blob.get("mime_type") suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin") save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi)) with client.chat.completions.stream(model='qwen/qwen3.8-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream: with Path("stream-events.jsonl").open("w",encoding="utf-8") as log: for event in stream: payload=event.to_dict(mode="json") log.write(json.dumps(payload,ensure_ascii=False)+"\n"); log.flush() print(json.dumps(payload,ensure_ascii=False)) final=stream.get_final_completion() save_result(final.to_dict(mode="json"),"stream-result") ``` ### Hent og gem resultater #### Ailoot Ultra · OpenAI Chat json eller SSE ##### Behold alle færdige resultater 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. ##### Hvis det oprindelige svar skal kontrolleres Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob. Svarfelter | Felt | Type | | --- | --- | | Felt`choices[].index` | Typeinteger | | Felt`choices[].message.content` | Typestring\|null | | Felt`choices[].message.tool_calls` | Typetool\_call\[\] | | Felt`choices[].message.reasoning_content` | Typestring | | Felt`choices[].message.reasoning_details` | Typeobject\|array | | Felt`choices[].finish_reason` | Typestring\|null | | Felt`usage` | Typeobject | Fejl og næste trin | Svar | Betingelse | Næste trin | | --- | --- | --- | | Svar400 · `invalid_request_error` | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. | ### Aliaser #### Modelaliaser **Ailoot Ultra** [`qwen/qwen3.8-27b`](https://ailoot.ai/models/da/#m=qwen%2Fqwen3.8-27b&route=Ultra&caller=qwen%2Fqwen3.8-27b&fmt=chat) #### Aliaser for metodestier Brug metodestierne vist ovenfor. #### Relaterede kalder-ID’er [`qwen/qwen3.8-27b`](https://ailoot.ai/models/da/#m=qwen%2Fqwen3.8-27b&route=Ultra&caller=qwen%2Fqwen3.8-27b&fmt=chat) **Ailoot Ultra · Anthropic Messages** `POST /v1/messages` `qwen/qwen3.8-27b` [`qwen/qwen3.8-27b`](https://ailoot.ai/models/da/#m=qwen%2Fqwen3.8-27b&route=Ultra&caller=qwen%2Fqwen3.8-27b&fmt=messages) Alibaba /`qwen/qwen3.8-27b` ### Start Qwen3.8-27B 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. Accepterede input Tekst Resultater json · sse ### Tilgængelig i Ailoot · input og metoder **Ailoot Ultra · Anthropic Messages** `POST /v1/messages` Inputtyper `text` Outputtyper `json`, `sse` Outputformat JSON eller SSE | Felt | Type | Krav | Værdier og grænser | Standard | | --- | --- | --- | --- | --- | | Felt`model` | Type`string` | KravPåkrævet | Værdier og grænser qwen/qwen3.8-27b | Standard— | | Felt`messages` | Type`message[]` | KravPåkrævet | Værdier og grænser | Standard— | | Felt`messages[].role` | Type`string` | KravPåkrævet | Værdier og grænser user, assistant | Standard— | | Felt`messages[].content` | Type`string` | KravPåkrævet | Værdier og grænser | Standard— | | Felt`max_tokens` | Type`integer` | KravPåkrævet | Værdier og grænser | Standard— | | Felt`stream` | Type`boolean` | KravValgfrit | Værdier og grænser | Standardfalse | Kombinationer af inputmaterialer **Tekst** · UTF-8-tekst `messages[].content som streng` Metodeparametre og livscyklus | Parameter | Kontrakt | | --- | --- | | Parameter`content_type` | Kontraktapplication/json | | Parameter`required` | Kontraktmodel, messages, max\_tokens | | Parameter`optional_controls` | Kontraktstream | | Parameter`material_types` | Kontrakttext | | Parameter`text_file_material` | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. | Livscyklus: `synchronous_or_streamed` ### Priser Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode. Hurtig tilstand Standardpris Når hurtig tilstand er valgt flex-tilstand Standardpris Når flex-tilstanden er valgt Maksimal ræsonneringsindsats Standardpris Når default-justeringen anvendes ved maksimal ræsonneringsindsats Ræsonneringsindsats · low Standardpris Når ræsonneringsindsatsen er sat til low Ræsonneringsindsats · medium Standardpris Når ræsonneringsindsatsen er sat til medium Ræsonneringsindsats · xhigh Standardpris Når ræsonneringsindsatsen er sat til xhigh #### Ailoot-takster #### Priser efter konfiguration 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 **$0.0010625** / 1K tokens Input · Cacheskrivning, 1 time **—** / 1K tokens | Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. [Sådan fungerer reservation og afregning →](https://ailoot.ai/docs/da/billing/reserve/) ### Eksempelanmodninger #### Ailoot Ultra · Anthropic Messages Komplet minimalt requestbody i JSONcurl · brug dit UTF-8-dokumentPython · gem hele resultatet ```json { "model": "qwen/qwen3.8-27b", "max_tokens": 128, "messages": [ { "role": "user", "content": "Summarize the incident report." } ], "stream": false } ``` ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" : "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}" export AILOOT_TEXT_FILE python3 - <<'PY_REQUEST' import json, os from pathlib import Path source_file = Path(os.environ['AILOOT_TEXT_FILE']) if not source_file.is_file(): raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document') text = source_file.read_text(encoding='utf-8') if not text.strip(): raise SystemExit('Choose a document containing text') payload = {'model': 'qwen/qwen3.8-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]} payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text Path('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8') PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \ -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o result.json python3 - <<'PY_RESULT' import json from pathlib import Path result = json.loads(Path('result.json').read_text(encoding='utf-8')) print(json.dumps(result, ensure_ascii=False, indent=2)) PY_RESULT ``` ```python import json, os from pathlib import Path source_file = Path(os.environ['AILOOT_TEXT_FILE']) if not source_file.is_file(): raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document') text = source_file.read_text(encoding='utf-8') if not text.strip(): raise SystemExit('Choose a document containing text') payload = {'model': 'qwen/qwen3.8-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]} payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text from urllib.request import Request, urlopen from urllib.error import HTTPError api_key = os.environ['AILOOT_API_KEY'] if not api_key.strip(): raise SystemExit('Set AILOOT_API_KEY before making a request') headers = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'} headers['x-api-key'] = api_key request = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST') try: with urlopen(request, timeout=120) as response: raw = response.read() Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8') except HTTPError as error: Path('result.json').write_bytes(error.read()) Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8') raise Path('result.json').write_bytes(raw) import json from pathlib import Path result = json.loads(Path('result.json').read_text(encoding='utf-8')) print(json.dumps(result, ensure_ascii=False, indent=2)) ``` ### Hent og gem resultater #### Ailoot Ultra · Anthropic Messages JSON eller SSE ##### Behold alle færdige resultater 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. ##### Hvis det oprindelige svar skal kontrolleres Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob. Svarfelter | Felt | Type | | --- | --- | | Felt`id` | Typestring | | Felt`model` | Typestring | | Felt`content[]` | Typetext\|thinking\|tool\_use\|other content block | | Felt`stop_reason` | Typestring\|null | | Felt`usage` | Typeobject | Fejl og næste trin | Svar | Betingelse | Næste trin | | --- | --- | --- | | Svar400 · `invalid_request_error` | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. | ### Aliaser #### Modelaliaser **Ailoot Ultra** [`qwen/qwen3.8-27b`](https://ailoot.ai/models/da/#m=qwen%2Fqwen3.8-27b&route=Ultra&caller=qwen%2Fqwen3.8-27b&fmt=messages) #### Aliaser for metodestier Brug metodestierne vist ovenfor. #### Relaterede kalder-ID’er [`qwen/qwen3.8-27b`](https://ailoot.ai/models/da/#m=qwen%2Fqwen3.8-27b&route=Ultra&caller=qwen%2Fqwen3.8-27b&fmt=messages) FAQ · Qwen: Qwen3.8 27B Hvilke input og resultater er tilgængelige? `POST /v1/chat/completions` · `qwen/qwen3.8-27b`: `text` → `text` `POST /v1/messages` · `qwen/qwen3.8-27b`: `text` → `json`, `sse` Hvilke felter bruger anmodningen? `POST /v1/chat/completions` · `qwen/qwen3.8-27b`: `model`, `messages`, `stream`, `modalities`, `provider` `POST /v1/messages` · `qwen/qwen3.8-27b`: `model`, `messages`, `max_tokens`, `stream` Hvilke grænser gælder? `POST /v1/chat/completions` · `qwen/qwen3.8-27b`: `messages.min_items`: `1` Tilslut Ailoot til Claude Code, OpenCode, Hermes eller din egen applikation. ## Virksomheden og dens projektportefølje Virksomheden og dens projektportefølje: millioner af kunder; månedligt salg for milliarder. ## Køb tokens med rabat. Abonnementsrabat til regelmæssigt arbejde. Rabatkoder giver op til 50% på tokenkøb. Abonnement Vælg et abonnement med rabat til dine regelmæssige anmodninger. Rabatkode på op til 50% Indtast koden ved købet. Prisen genberegnes efter den aktuelle kampagne. Udgifter i historikken Model, tokens og beløb gemmes for hver anmodning. [Vælg abonnement](https://ailoot.ai/docs/da/billing/subscriptions/) · [Se modelpriser](https://ailoot.ai/models/da/) ## Tilslut API’et til produktet, du sælger. SaaS, apps og bots efter Ailoots tilbudsvilkår og licensaftale. Anmod om en forhandlerlicens til videresalg. Kommerciel applikation Byg generering af tekst, billeder, video og lyd ind i tjenestens betalte funktioner. Licens til forhandlere Send projektbeskrivelse og adgangsmodel. Bed om skriftlige vilkår for anvendelse og videresalg. Dokumenter på websitet Tilbudsvilkår, licensaftale og politik for behandling af data kan læses før tilslutning. [Anmod om forhandlerlicens](mailto:support@ailoot.ai) · [Tilbudsvilkår og licensaftale](https://ailoot.ai/legal/offer?lang=da) ## Ailoot · Virksomheden og dens projektportefølje Ailoot bygger på solid driftserfaring, en stor kundebase, stabil service og løbende kontrol af KPI. Virksomheden og dens projektportefølje: millioner af kunder; månedligt salg for milliarder. Ailoot bruger denne driftserfaring til API-adgang til AI-funktioner i kundernes produkter, agenter, applikationer og automatiseringer.