Styrker: programmering på repositoryniveau
Qwen3-Coder-30B-A3B-Instruct er en instruktionsfokuseret tekstmodel til programmeringsagenter. Qwen dokumenterer programmering, browseragentbrug og forståelse på repositoryniveau med et særligt funktionskaldsformat og integration gennem forløb såsom Qwen Code. Dens input og output er tekst. Bevar dette præcise Coder-checkpoint frem for at erstatte det med den generelle Qwen3-30B-A3B-Instruct-2507 eller Qwen3-Coder-Next, hvis træningsfokus og genereringsvejledning er anderledes.
Den indbyggede kontekst er 262,144 tokens, og producenten beskriver udvidelse til cirka en million med YaRN. En stor kontekst kan samle mere dokumentation fra et repository, men en klar opgave kræver stadig relevante moduler, grænseflader og krav. Angiv den forventede leverance og observerbare adfærd, før du beder om en kodeændring.
Modeloverblik
Mixture-of-experts-modellen har 30.5 milliarder parametre i alt og aktiverer 3.3 milliarder. Den har 48 lag, 128 eksperter og otte eksperter valgt pr. token. Samlede parametre og aktiverede parametre har forskellig betydning; det aktiverede tal er ikke hele checkpointets størrelse. Dens kausale sprogmodelkonfiguration er en tekstmodel, ikke en billed- eller talegrænseflade.
Coder-30B-A3B-Instruct understøtter kun modus uden tænkning og genererer ikke eksplicitte tænkeblokke. Indstillingen enable_thinking=False er unødvendig i producentens eksempel. Den kan stadig forklare en algoritme eller begrunde en patch i almindelig tekst. Et ønske om ræsonnementstrin bør ikke forveksles med aktivering af en anden Qwen-udgaves særskilte Thinking-adfærd.
Klargøring af en udviklingsforespørgsel
Lever relevant kode, et input, der viser den aktuelle adfærd, det observerede resultat og den tilsigtede ændring. Til en algoritme skal du angive inputbegrænsninger og krævet output, før du beder om en fremgangsmåde. Til en repositoryændring skal du udpege den berørte funktion og de grænseflader, implementeringen skal bevare. Bed om en redigerbar patch eller en komplet funktion adskilt fra forklarende kommentarer.
Et nyttigt svar kan organisere diagnosen, den foreslåede ændring og de kontroller, der kræves for at gennemgå den. Når en opgave drives af en visuel reference eller optaget adfærd, skal du levere en egnet tekstrepræsentation og bevare identifikatorer, der gør resultatet sammenligneligt med originalen. Sammenlign den foreslåede patch med den leverede kode, forventet adfærd og resultater returneret af tilsluttede kontroller.
Agentbaseret programmering og browserforløb
Producenten fremhæver værktøjskald og et særligt udviklet funktionskaldsformat. Et tilsluttet agentforløb leverer værktøjsbeskrivelser, inputschemaer og observationer og udfører de faktiske operationer. Definér tilladte handlinger og en færdiggørelsesbetingelse, og returnér derefter faktiske inspektions- eller udførelsesresultater til modellen, så den kan opdatere sit arbejdsforslag.
Browseragentevner betyder deltagelse i et forløb med et tilsluttet browserværktøj, ikke automatisk adgang til en brugers browser eller aktuelle sider. Samme skel gælder repositoryinspektion og kodeudførelse. En foreslået kommando, en værktøjsanmodning og en afsluttet operation bør holdes adskilt i slutrapporten. Bevar den oprindelige models værktøjsformat og parsingopskrift frem for at antage, at en anden models skabelon er udskiftelig.
Lang kontekst og konfiguration
Producenten beskriver YaRN-udvidelse fra den indbyggede kontekst på 262,144 tokens til cirka en million til opgaver på repositoryniveau. Brug en kontekstkonfiguration, der passer til repositorymaterialet, og reservér samtidig plads til værktøjsobservationer og resultatet. Hurtigstarten foreslår også en mindre kontekst, eksempelvis 32,768, når hukommelsestryk forhindrer den større indstilling i at fungere.
Bevar kodestier, funktionsnavne og relevante definitioner i langt input. Fjern uvedkommende genererede filer eller gentaget materiale, og reservér plads til svaret. Kildetekst, historik, værktøjsobservationer og genereret kode deler det konfigurerede sekvensbudget; det størst mulige input bør ikke behandles som perfekt genkaldelse af enhver afhængighed.
Genereringsvejledning
Best Practices anbefaler temperature 0.7, top_p 0.8, top_k 20 og repetition penalty 1.05. Den præcise anbefaling til repetition penalty adskiller sig fra flere andre Qwen-modeller og forbliver del af denne Coder-udgaves opskrift. Qwen anbefaler et genereringsbudget på 65,536 tokens til de fleste forespørgsler, hvilket er en anbefaling frem for et selvstændigt fastslået hårdt maksimum.
Angiv outputsprog og -form, eksempelvis en patch, komplet funktion eller forklaring, og kontrollér leverancens syntaks og grænseflader i det faktiske udviklingsforløb. Producentens funktionseksempel illustrerer værktøjsmekanismen; en værktøjskontrakt kræver stadig internt sammenhængende argumentnavne og retursemantik i den applikation, der bruger den.
Væsentlige begrænsninger og nyttigt resultat
Dette checkpoints dokumenterede input er tekst. Det fastslår ikke direkte billed-, lyd- eller videoforståelse. Genereret kode og en sikker forklaring er udkast til leverancer, indtil de relevante kontroller eller observationer faktisk returneres af det tilsluttede miljø. Det nyttige resultat er et implementeringsforslag, der kan inspiceres, knyttet til de leverede repositorybetingelser og med dets præcise Coder-identitet, modus uden tænkning og producentens genereringsvejledning bevaret.
", "aboutText": "Styrker: programmering på repositoryniveau\n\nQwen3-Coder-30B-A3B-Instruct er en instruktionsfokuseret tekstmodel til programmeringsagenter. Qwen dokumenterer programmering, browseragentbrug og forståelse på repositoryniveau med et særligt funktionskaldsformat og integration gennem forløb såsom Qwen Code. Dens input og output er tekst. Bevar dette præcise Coder-checkpoint frem for at erstatte det med den generelle Qwen3-30B-A3B-Instruct-2507 eller Qwen3-Coder-Next, hvis træningsfokus og genereringsvejledning er anderledes.\n\nDen indbyggede kontekst er 262,144 tokens, og producenten beskriver udvidelse til cirka en million med YaRN. En stor kontekst kan samle mere dokumentation fra et repository, men en klar opgave kræver stadig relevante moduler, grænseflader og krav. Angiv den forventede leverance og observerbare adfærd, før du beder om en kodeændring.\n\nModeloverblik\n\nMixture-of-experts-modellen har 30.5 milliarder parametre i alt og aktiverer 3.3 milliarder. Den har 48 lag, 128 eksperter og otte eksperter valgt pr. token. Samlede parametre og aktiverede parametre har forskellig betydning; det aktiverede tal er ikke hele checkpointets størrelse. Dens kausale sprogmodelkonfiguration er en tekstmodel, ikke en billed- eller talegrænseflade.\n\nCoder-30B-A3B-Instruct understøtter kun modus uden tænkning og genererer ikke eksplicitte tænkeblokke. Indstillingen enable_thinking=False er unødvendig i producentens eksempel. Den kan stadig forklare en algoritme eller begrunde en patch i almindelig tekst. Et ønske om ræsonnementstrin bør ikke forveksles med aktivering af en anden Qwen-udgaves særskilte Thinking-adfærd.\n\nKlargøring af en udviklingsforespørgsel\n\nLever relevant kode, et input, der viser den aktuelle adfærd, det observerede resultat og den tilsigtede ændring. Til en algoritme skal du angive inputbegrænsninger og krævet output, før du beder om en fremgangsmåde. Til en repositoryændring skal du udpege den berørte funktion og de grænseflader, implementeringen skal bevare. Bed om en redigerbar patch eller en komplet funktion adskilt fra forklarende kommentarer.\n\nEt nyttigt svar kan organisere diagnosen, den foreslåede ændring og de kontroller, der kræves for at gennemgå den. Når en opgave drives af en visuel reference eller optaget adfærd, skal du levere en egnet tekstrepræsentation og bevare identifikatorer, der gør resultatet sammenligneligt med originalen. Sammenlign den foreslåede patch med den leverede kode, forventet adfærd og resultater returneret af tilsluttede kontroller.\n\nAgentbaseret programmering og browserforløb\n\nProducenten fremhæver værktøjskald og et særligt udviklet funktionskaldsformat. Et tilsluttet agentforløb leverer værktøjsbeskrivelser, inputschemaer og observationer og udfører de faktiske operationer. Definér tilladte handlinger og en færdiggørelsesbetingelse, og returnér derefter faktiske inspektions- eller udførelsesresultater til modellen, så den kan opdatere sit arbejdsforslag.\n\nBrowseragentevner betyder deltagelse i et forløb med et tilsluttet browserværktøj, ikke automatisk adgang til en brugers browser eller aktuelle sider. Samme skel gælder repositoryinspektion og kodeudførelse. En foreslået kommando, en værktøjsanmodning og en afsluttet operation bør holdes adskilt i slutrapporten. Bevar den oprindelige models værktøjsformat og parsingopskrift frem for at antage, at en anden models skabelon er udskiftelig.\n\nLang kontekst og konfiguration\n\nProducenten beskriver YaRN-udvidelse fra den indbyggede kontekst på 262,144 tokens til cirka en million til opgaver på repositoryniveau. Brug en kontekstkonfiguration, der passer til repositorymaterialet, og reservér samtidig plads til værktøjsobservationer og resultatet. Hurtigstarten foreslår også en mindre kontekst, eksempelvis 32,768, når hukommelsestryk forhindrer den større indstilling i at fungere.\n\nBevar kodestier, funktionsnavne og relevante definitioner i langt input. Fjern uvedkommende genererede filer eller gentaget materiale, og reservér plads til svaret. Kildetekst, historik, værktøjsobservationer og genereret kode deler det konfigurerede sekvensbudget; det størst mulige input bør ikke behandles som perfekt genkaldelse af enhver afhængighed.\n\nGenereringsvejledning\n\nBest Practices anbefaler temperature 0.7, top_p 0.8, top_k 20 og repetition penalty 1.05. Den præcise anbefaling til repetition penalty adskiller sig fra flere andre Qwen-modeller og forbliver del af denne Coder-udgaves opskrift. Qwen anbefaler et genereringsbudget på 65,536 tokens til de fleste forespørgsler, hvilket er en anbefaling frem for et selvstændigt fastslået hårdt maksimum.\n\nAngiv outputsprog og -form, eksempelvis en patch, komplet funktion eller forklaring, og kontrollér leverancens syntaks og grænseflader i det faktiske udviklingsforløb. Producentens funktionseksempel illustrerer værktøjsmekanismen; en værktøjskontrakt kræver stadig internt sammenhængende argumentnavne og retursemantik i den applikation, der bruger den.\n\nVæsentlige begrænsninger og nyttigt resultat\n\nDette checkpoints dokumenterede input er tekst. Det fastslår ikke direkte billed-, lyd- eller videoforståelse. Genereret kode og en sikker forklaring er udkast til leverancer, indtil de relevante kontroller eller observationer faktisk returneres af det tilsluttede miljø. Det nyttige resultat er et implementeringsforslag, der kan inspiceres, knyttet til de leverede repositorybetingelser og med dets præcise Coder-identitet, modus uden tænkning og producentens genereringsvejledning bevaret.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Implement interval overlap correctly\n\nImplement overlaps(a, b) for two half-open intervals [start, end), using numeric endpoints. Intervals touching at an endpoint do not overlap. Reject intervals with start greater than end; empty intervals never overlap. Return a complete Python function and tests for genuine overlap, touching, empty and reversed intervals. Keep the interface limited to two pairs.A complete Python function and four focused tests expressing the interval contract.Check that [1, 3) and [3, 5) return false and an empty interval cannot overlap a containing interval.qwen/qwen3-coder-30b-a3b-instructQwen3-Coder-30B-A3B-Instruct er Qwens tekstbaserede programmeringsmodel uden tænkning med 30.5 milliarder parametre i alt, hvoraf 3.3 milliarder aktiveres. Den er rettet mod udvikling på repositoryniveau, programmering og browseragentforløb med en indbygget kontekst på 262,144 tokens og et særligt funktionskaldsformat.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Styrker: programmering på repositoryniveau
Qwen3-Coder-30B-A3B-Instruct er en instruktionsfokuseret tekstmodel til programmeringsagenter. Qwen dokumenterer programmering, browseragentbrug og forståelse på repositoryniveau med et særligt funktionskaldsformat og integration gennem forløb såsom Qwen Code. Dens input og output er tekst. Bevar dette præcise Coder-checkpoint frem for at erstatte det med den generelle Qwen3-30B-A3B-Instruct-2507 eller Qwen3-Coder-Next, hvis træningsfokus og genereringsvejledning er anderledes.
Den indbyggede kontekst er 262,144 tokens, og producenten beskriver udvidelse til cirka en million med YaRN. En stor kontekst kan samle mere dokumentation fra et repository, men en klar opgave kræver stadig relevante moduler, grænseflader og krav. Angiv den forventede leverance og observerbare adfærd, før du beder om en kodeændring.
Modeloverblik
Mixture-of-experts-modellen har 30.5 milliarder parametre i alt og aktiverer 3.3 milliarder. Den har 48 lag, 128 eksperter og otte eksperter valgt pr. token. Samlede parametre og aktiverede parametre har forskellig betydning; det aktiverede tal er ikke hele checkpointets størrelse. Dens kausale sprogmodelkonfiguration er en tekstmodel, ikke en billed- eller talegrænseflade.
Coder-30B-A3B-Instruct understøtter kun modus uden tænkning og genererer ikke eksplicitte tænkeblokke. Indstillingen enable_thinking=False er unødvendig i producentens eksempel. Den kan stadig forklare en algoritme eller begrunde en patch i almindelig tekst. Et ønske om ræsonnementstrin bør ikke forveksles med aktivering af en anden Qwen-udgaves særskilte Thinking-adfærd.
Klargøring af en udviklingsforespørgsel
Lever relevant kode, et input, der viser den aktuelle adfærd, det observerede resultat og den tilsigtede ændring. Til en algoritme skal du angive inputbegrænsninger og krævet output, før du beder om en fremgangsmåde. Til en repositoryændring skal du udpege den berørte funktion og de grænseflader, implementeringen skal bevare. Bed om en redigerbar patch eller en komplet funktion adskilt fra forklarende kommentarer.
Et nyttigt svar kan organisere diagnosen, den foreslåede ændring og de kontroller, der kræves for at gennemgå den. Når en opgave drives af en visuel reference eller optaget adfærd, skal du levere en egnet tekstrepræsentation og bevare identifikatorer, der gør resultatet sammenligneligt med originalen. Sammenlign den foreslåede patch med den leverede kode, forventet adfærd og resultater returneret af tilsluttede kontroller.
Agentbaseret programmering og browserforløb
Producenten fremhæver værktøjskald og et særligt udviklet funktionskaldsformat. Et tilsluttet agentforløb leverer værktøjsbeskrivelser, inputschemaer og observationer og udfører de faktiske operationer. Definér tilladte handlinger og en færdiggørelsesbetingelse, og returnér derefter faktiske inspektions- eller udførelsesresultater til modellen, så den kan opdatere sit arbejdsforslag.
Browseragentevner betyder deltagelse i et forløb med et tilsluttet browserværktøj, ikke automatisk adgang til en brugers browser eller aktuelle sider. Samme skel gælder repositoryinspektion og kodeudførelse. En foreslået kommando, en værktøjsanmodning og en afsluttet operation bør holdes adskilt i slutrapporten. Bevar den oprindelige models værktøjsformat og parsingopskrift frem for at antage, at en anden models skabelon er udskiftelig.
Lang kontekst og konfiguration
Producenten beskriver YaRN-udvidelse fra den indbyggede kontekst på 262,144 tokens til cirka en million til opgaver på repositoryniveau. Brug en kontekstkonfiguration, der passer til repositorymaterialet, og reservér samtidig plads til værktøjsobservationer og resultatet. Hurtigstarten foreslår også en mindre kontekst, eksempelvis 32,768, når hukommelsestryk forhindrer den større indstilling i at fungere.
Bevar kodestier, funktionsnavne og relevante definitioner i langt input. Fjern uvedkommende genererede filer eller gentaget materiale, og reservér plads til svaret. Kildetekst, historik, værktøjsobservationer og genereret kode deler det konfigurerede sekvensbudget; det størst mulige input bør ikke behandles som perfekt genkaldelse af enhver afhængighed.
Genereringsvejledning
Best Practices anbefaler temperature 0.7, top_p 0.8, top_k 20 og repetition penalty 1.05. Den præcise anbefaling til repetition penalty adskiller sig fra flere andre Qwen-modeller og forbliver del af denne Coder-udgaves opskrift. Qwen anbefaler et genereringsbudget på 65,536 tokens til de fleste forespørgsler, hvilket er en anbefaling frem for et selvstændigt fastslået hårdt maksimum.
Angiv outputsprog og -form, eksempelvis en patch, komplet funktion eller forklaring, og kontrollér leverancens syntaks og grænseflader i det faktiske udviklingsforløb. Producentens funktionseksempel illustrerer værktøjsmekanismen; en værktøjskontrakt kræver stadig internt sammenhængende argumentnavne og retursemantik i den applikation, der bruger den.
Væsentlige begrænsninger og nyttigt resultat
Dette checkpoints dokumenterede input er tekst. Det fastslår ikke direkte billed-, lyd- eller videoforståelse. Genereret kode og en sikker forklaring er udkast til leverancer, indtil de relevante kontroller eller observationer faktisk returneres af det tilsluttede miljø. Det nyttige resultat er et implementeringsforslag, der kan inspiceres, knyttet til de leverede repositorybetingelser og med dets præcise Coder-identitet, modus uden tænkning og producentens genereringsvejledning bevaret.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3-coder-30b-a3b-instruct | 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 $0.0002 / 1K tokens Output · Outputtokens $0.0008 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0008 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-coder-30b-a3b-instruct", "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-coder-30b-a3b-instruct',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-coder-30b-a3b-instruct',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-coder-30b-a3b-instruct
Brug metodestierne vist ovenfor.
qwen/qwen3-coder-30b-a3b-instructQwen3-Coder-30B-A3B-Instruct er Qwens tekstbaserede programmeringsmodel uden tænkning med 30.5 milliarder parametre i alt, hvoraf 3.3 milliarder aktiveres. Den er rettet mod udvikling på repositoryniveau, programmering og browseragentforløb med en indbygget kontekst på 262,144 tokens og et særligt funktionskaldsformat.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Styrker: programmering på repositoryniveau
Qwen3-Coder-30B-A3B-Instruct er en instruktionsfokuseret tekstmodel til programmeringsagenter. Qwen dokumenterer programmering, browseragentbrug og forståelse på repositoryniveau med et særligt funktionskaldsformat og integration gennem forløb såsom Qwen Code. Dens input og output er tekst. Bevar dette præcise Coder-checkpoint frem for at erstatte det med den generelle Qwen3-30B-A3B-Instruct-2507 eller Qwen3-Coder-Next, hvis træningsfokus og genereringsvejledning er anderledes.
Den indbyggede kontekst er 262,144 tokens, og producenten beskriver udvidelse til cirka en million med YaRN. En stor kontekst kan samle mere dokumentation fra et repository, men en klar opgave kræver stadig relevante moduler, grænseflader og krav. Angiv den forventede leverance og observerbare adfærd, før du beder om en kodeændring.
Modeloverblik
Mixture-of-experts-modellen har 30.5 milliarder parametre i alt og aktiverer 3.3 milliarder. Den har 48 lag, 128 eksperter og otte eksperter valgt pr. token. Samlede parametre og aktiverede parametre har forskellig betydning; det aktiverede tal er ikke hele checkpointets størrelse. Dens kausale sprogmodelkonfiguration er en tekstmodel, ikke en billed- eller talegrænseflade.
Coder-30B-A3B-Instruct understøtter kun modus uden tænkning og genererer ikke eksplicitte tænkeblokke. Indstillingen enable_thinking=False er unødvendig i producentens eksempel. Den kan stadig forklare en algoritme eller begrunde en patch i almindelig tekst. Et ønske om ræsonnementstrin bør ikke forveksles med aktivering af en anden Qwen-udgaves særskilte Thinking-adfærd.
Klargøring af en udviklingsforespørgsel
Lever relevant kode, et input, der viser den aktuelle adfærd, det observerede resultat og den tilsigtede ændring. Til en algoritme skal du angive inputbegrænsninger og krævet output, før du beder om en fremgangsmåde. Til en repositoryændring skal du udpege den berørte funktion og de grænseflader, implementeringen skal bevare. Bed om en redigerbar patch eller en komplet funktion adskilt fra forklarende kommentarer.
Et nyttigt svar kan organisere diagnosen, den foreslåede ændring og de kontroller, der kræves for at gennemgå den. Når en opgave drives af en visuel reference eller optaget adfærd, skal du levere en egnet tekstrepræsentation og bevare identifikatorer, der gør resultatet sammenligneligt med originalen. Sammenlign den foreslåede patch med den leverede kode, forventet adfærd og resultater returneret af tilsluttede kontroller.
Agentbaseret programmering og browserforløb
Producenten fremhæver værktøjskald og et særligt udviklet funktionskaldsformat. Et tilsluttet agentforløb leverer værktøjsbeskrivelser, inputschemaer og observationer og udfører de faktiske operationer. Definér tilladte handlinger og en færdiggørelsesbetingelse, og returnér derefter faktiske inspektions- eller udførelsesresultater til modellen, så den kan opdatere sit arbejdsforslag.
Browseragentevner betyder deltagelse i et forløb med et tilsluttet browserværktøj, ikke automatisk adgang til en brugers browser eller aktuelle sider. Samme skel gælder repositoryinspektion og kodeudførelse. En foreslået kommando, en værktøjsanmodning og en afsluttet operation bør holdes adskilt i slutrapporten. Bevar den oprindelige models værktøjsformat og parsingopskrift frem for at antage, at en anden models skabelon er udskiftelig.
Lang kontekst og konfiguration
Producenten beskriver YaRN-udvidelse fra den indbyggede kontekst på 262,144 tokens til cirka en million til opgaver på repositoryniveau. Brug en kontekstkonfiguration, der passer til repositorymaterialet, og reservér samtidig plads til værktøjsobservationer og resultatet. Hurtigstarten foreslår også en mindre kontekst, eksempelvis 32,768, når hukommelsestryk forhindrer den større indstilling i at fungere.
Bevar kodestier, funktionsnavne og relevante definitioner i langt input. Fjern uvedkommende genererede filer eller gentaget materiale, og reservér plads til svaret. Kildetekst, historik, værktøjsobservationer og genereret kode deler det konfigurerede sekvensbudget; det størst mulige input bør ikke behandles som perfekt genkaldelse af enhver afhængighed.
Genereringsvejledning
Best Practices anbefaler temperature 0.7, top_p 0.8, top_k 20 og repetition penalty 1.05. Den præcise anbefaling til repetition penalty adskiller sig fra flere andre Qwen-modeller og forbliver del af denne Coder-udgaves opskrift. Qwen anbefaler et genereringsbudget på 65,536 tokens til de fleste forespørgsler, hvilket er en anbefaling frem for et selvstændigt fastslået hårdt maksimum.
Angiv outputsprog og -form, eksempelvis en patch, komplet funktion eller forklaring, og kontrollér leverancens syntaks og grænseflader i det faktiske udviklingsforløb. Producentens funktionseksempel illustrerer værktøjsmekanismen; en værktøjskontrakt kræver stadig internt sammenhængende argumentnavne og retursemantik i den applikation, der bruger den.
Væsentlige begrænsninger og nyttigt resultat
Dette checkpoints dokumenterede input er tekst. Det fastslår ikke direkte billed-, lyd- eller videoforståelse. Genereret kode og en sikker forklaring er udkast til leverancer, indtil de relevante kontroller eller observationer faktisk returneres af det tilsluttede miljø. Det nyttige resultat er et implementeringsforslag, der kan inspiceres, knyttet til de leverede repositorybetingelser og med dets præcise Coder-identitet, modus uden tænkning og producentens genereringsvejledning bevaret.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3-coder-30b-a3b-instruct | 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 $0.0002 / 1K tokens Output · Outputtokens $0.0008 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0008 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen/qwen3-coder-30b-a3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-coder-30b-a3b-instruct', '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-coder-30b-a3b-instruct', '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-coder-30b-a3b-instruct
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Implement interval overlap correctly\n\nImplement overlaps(a, b) for two half-open intervals [start, end), using numeric endpoints. Intervals touching at an endpoint do not overlap. Reject intervals with start greater than end; empty intervals never overlap. Return a complete Python function and tests for genuine overlap, touching, empty and reversed intervals. Keep the interface limited to two pairs.A complete Python function and four focused tests expressing the interval contract.Check that [1, 3) and [3, 5) return false and an empty interval cannot overlap a containing interval.