Styrker: en model bygget til programmeringsagenter
Qwen3-Coder-Next er en åben tekstmodel udviklet specifikt til programmeringsagenter og udviklingsforløb. Qwen beskriver problemløsning over lange forløb, kompleks værktøjsbrug og genopretning efter udførelsesfejl samt tilpasning til forskellige udviklingsrammer. Den modtager tekst og producerer tekst, herunder kode, forklaringer og værktøjsanmodninger. Dette præcise Coder-Next-checkpoint har sin egen kontrakt uden tænkning; den bredere Next-families Thinking-udgaver bør ikke erstatte det.
Til en udviklingsopgave skal du levere relevante filer eller uddrag, den tilsigtede adfærd og det input, der viser et problem. Bed om en redigerbar ændring og en forklaring knyttet til disse betingelser. Til en opgave over flere trin skal du definere målet, tilladte værktøjer og de observationer, der ville vise færdiggørelse. Gennemgå den foreslåede kodeændring og forklaring mod de leverede filer, det fejlende input og færdiggørelseskriterierne.
Modeloverblik
Modellen har 80 milliarder parametre i alt og aktiverer tre milliarder. Dens hybride opbygning med 48 lag gentager tre Gated DeltaNet-ekspertlag efterfulgt af ét ekspertlag med gated attention. Producenten angiver 512 eksperter, ti aktiverede eksperter og én fælles ekspert. Det lille aktiverede antal er en beregningsegenskab ved den sparsomme model, ikke hele checkpointets størrelse.
Den indbyggede kontekst er 262,144 tokens. Producentens eksempler tillader en mindre kontekst, eksempelvis 32,768, når hukommelsesbegrænsninger forhindrer den større konfiguration i at fungere. Kildekode, historik, værktøjsobservationer og genereret tekst skal kunne rummes i det konfigurerede sekvensbudget. Modelkortet fastslår ikke en standardudvidelse til en million tokens for dette checkpoint.
Brug af tekstgrænsefladen uden tænkning
Coder-Next understøtter kun modus uden tænkning og genererer ikke eksplicitte tænkeblokke. Indstillingen enable_thinking=False er unødvendig i producentens eksempel. Den kan stadig forklare en patch, diskutere en algoritme eller ræsonnere gennem almindelig tekst; uden tænkning beskriver dens outputmodus frem for at forbyde en forklaring.
Hurtigstarten beder om en sorteringsalgoritme og bruger et genereringsbudget på 65,536 tokens. Værdien er et eksempelbudget, ikke en særskilt offentliggjort hård outputgrænse. Angiv leverancens format og begrænsninger: sproget, relevante grænseflader, krævet adfærd, og om svaret skal indeholde en patch, en komplet funktion eller en forklaring. Hold det redigerbare resultat adskilt fra kommentarer, så det let kan gennemgås.
Udviklingsrammer og kontekst
Producenten fremhæver kompatibilitet med CLI- og IDE-lignende agentrammer, herunder Qwen Code. En ramme leverer projekttilstand, værktøjsdefinitioner, observationer og samtaleformat. Bevar disse input konsekvent under en opgave over flere trin. Når et værktøj rapporterer en fejlende kontrol, skal du levere den faktiske fejl og relevant ændret kode frem for blot at bede modellen prøve igen.
Langvarigt arbejde drager nytte af en synlig opgavetilstand: hvad der blev observeret, hvilken ændring der foreslås, og hvilken betingelse der stadig er uafklaret. En værktøjsobservation er forskellig fra en påstand i genereret tekst. Modellens evne til fejlgenopretning bør ikke behandles som automatisk tilladelse til at køre kommandoer eller som en garanti for, at enhver genopretning lykkes.
Agentbaseret programmering og værktøjskald
Qwen dokumenterer funktionslignende værktøjsdefinitioner med navne, beskrivelser, inputschemaer og krævede felter. Lever en præcis definition og den forventede betydning af returværdien. Applikationen udfører et valgt værktøj og returnerer resultatet; modellen bruger derefter resultatet i næste trin. Værktøjskald giver ikke i sig selv adgang til et filsystem, aktuelle kilder eller et eksekveringsmiljø.
For en agent, der redigerer et repository, skal de tilladte filer og den ønskede leverance afgrænses. En nyttig slutrapport kan identificere berørte moduler, forklare ændringen og angive reelle resultater returneret af de tilsluttede kontroller. Hold foreslåede kommandoer, genereret kode og afsluttede operationer adskilt. Det er praktiske forløbseksempler forankret i det dokumenterede udviklings- og værktøjsområde.
Genereringsanbefalinger
Producenten anbefaler temperature 1.0, top_p 0.95 og top_k 40. Disse præcise indstillinger adskiller sig fra flere samtaleorienterede Qwen-modeller og bør forblive del af Coder-Nexts egen opskrift. Den offentliggjorte konfiguration bruger en kausal sprogmodelarkitektur af typen Qwen3-Next. Brug dette checkpoints dokumenterede modelnavn og chatskabelon konsekvent gennem programmeringsforløbet.
Væsentlige begrænsninger
Det dokumenterede input er tekst, så skærmbilleder, lyd eller video kræver en egnet særskilt repræsentation før dette programmeringsforløb. Indbygget kontekst og eksemplernes genereringsbudgetter er begrænsede; beskær uvedkommende kode, og reservér plads til den ønskede leverance. Kontrollér genereret syntaks, grænseflader, grænsetilfælde og foreslåede ændringer i det faktiske udviklingsforløb. Det nyttige output er en kode- eller forklaringsleverance, der kan inspiceres, underbygget af faktisk opgavedokumentation og med dette checkpoints identitet som tekstmodel uden tænkning bevaret.
", "aboutText": "Styrker: en model bygget til programmeringsagenter\n\nQwen3-Coder-Next er en åben tekstmodel udviklet specifikt til programmeringsagenter og udviklingsforløb. Qwen beskriver problemløsning over lange forløb, kompleks værktøjsbrug og genopretning efter udførelsesfejl samt tilpasning til forskellige udviklingsrammer. Den modtager tekst og producerer tekst, herunder kode, forklaringer og værktøjsanmodninger. Dette præcise Coder-Next-checkpoint har sin egen kontrakt uden tænkning; den bredere Next-families Thinking-udgaver bør ikke erstatte det.\n\nTil en udviklingsopgave skal du levere relevante filer eller uddrag, den tilsigtede adfærd og det input, der viser et problem. Bed om en redigerbar ændring og en forklaring knyttet til disse betingelser. Til en opgave over flere trin skal du definere målet, tilladte værktøjer og de observationer, der ville vise færdiggørelse. Gennemgå den foreslåede kodeændring og forklaring mod de leverede filer, det fejlende input og færdiggørelseskriterierne.\n\nModeloverblik\n\nModellen har 80 milliarder parametre i alt og aktiverer tre milliarder. Dens hybride opbygning med 48 lag gentager tre Gated DeltaNet-ekspertlag efterfulgt af ét ekspertlag med gated attention. Producenten angiver 512 eksperter, ti aktiverede eksperter og én fælles ekspert. Det lille aktiverede antal er en beregningsegenskab ved den sparsomme model, ikke hele checkpointets størrelse.\n\nDen indbyggede kontekst er 262,144 tokens. Producentens eksempler tillader en mindre kontekst, eksempelvis 32,768, når hukommelsesbegrænsninger forhindrer den større konfiguration i at fungere. Kildekode, historik, værktøjsobservationer og genereret tekst skal kunne rummes i det konfigurerede sekvensbudget. Modelkortet fastslår ikke en standardudvidelse til en million tokens for dette checkpoint.\n\nBrug af tekstgrænsefladen uden tænkning\n\nCoder-Next understøtter kun modus uden tænkning og genererer ikke eksplicitte tænkeblokke. Indstillingen enable_thinking=False er unødvendig i producentens eksempel. Den kan stadig forklare en patch, diskutere en algoritme eller ræsonnere gennem almindelig tekst; uden tænkning beskriver dens outputmodus frem for at forbyde en forklaring.\n\nHurtigstarten beder om en sorteringsalgoritme og bruger et genereringsbudget på 65,536 tokens. Værdien er et eksempelbudget, ikke en særskilt offentliggjort hård outputgrænse. Angiv leverancens format og begrænsninger: sproget, relevante grænseflader, krævet adfærd, og om svaret skal indeholde en patch, en komplet funktion eller en forklaring. Hold det redigerbare resultat adskilt fra kommentarer, så det let kan gennemgås.\n\nUdviklingsrammer og kontekst\n\nProducenten fremhæver kompatibilitet med CLI- og IDE-lignende agentrammer, herunder Qwen Code. En ramme leverer projekttilstand, værktøjsdefinitioner, observationer og samtaleformat. Bevar disse input konsekvent under en opgave over flere trin. Når et værktøj rapporterer en fejlende kontrol, skal du levere den faktiske fejl og relevant ændret kode frem for blot at bede modellen prøve igen.\n\nLangvarigt arbejde drager nytte af en synlig opgavetilstand: hvad der blev observeret, hvilken ændring der foreslås, og hvilken betingelse der stadig er uafklaret. En værktøjsobservation er forskellig fra en påstand i genereret tekst. Modellens evne til fejlgenopretning bør ikke behandles som automatisk tilladelse til at køre kommandoer eller som en garanti for, at enhver genopretning lykkes.\n\nAgentbaseret programmering og værktøjskald\n\nQwen dokumenterer funktionslignende værktøjsdefinitioner med navne, beskrivelser, inputschemaer og krævede felter. Lever en præcis definition og den forventede betydning af returværdien. Applikationen udfører et valgt værktøj og returnerer resultatet; modellen bruger derefter resultatet i næste trin. Værktøjskald giver ikke i sig selv adgang til et filsystem, aktuelle kilder eller et eksekveringsmiljø.\n\nFor en agent, der redigerer et repository, skal de tilladte filer og den ønskede leverance afgrænses. En nyttig slutrapport kan identificere berørte moduler, forklare ændringen og angive reelle resultater returneret af de tilsluttede kontroller. Hold foreslåede kommandoer, genereret kode og afsluttede operationer adskilt. Det er praktiske forløbseksempler forankret i det dokumenterede udviklings- og værktøjsområde.\n\nGenereringsanbefalinger\n\nProducenten anbefaler temperature 1.0, top_p 0.95 og top_k 40. Disse præcise indstillinger adskiller sig fra flere samtaleorienterede Qwen-modeller og bør forblive del af Coder-Nexts egen opskrift. Den offentliggjorte konfiguration bruger en kausal sprogmodelarkitektur af typen Qwen3-Next. Brug dette checkpoints dokumenterede modelnavn og chatskabelon konsekvent gennem programmeringsforløbet.\n\nVæsentlige begrænsninger\n\nDet dokumenterede input er tekst, så skærmbilleder, lyd eller video kræver en egnet særskilt repræsentation før dette programmeringsforløb. Indbygget kontekst og eksemplernes genereringsbudgetter er begrænsede; beskær uvedkommende kode, og reservér plads til den ønskede leverance. Kontrollér genereret syntaks, grænseflader, grænsetilfælde og foreslåede ændringer i det faktiske udviklingsforløb. Det nyttige output er en kode- eller forklaringsleverance, der kan inspiceres, underbygget af faktisk opgavedokumentation og med dette checkpoints identitet som tekstmodel uden tænkning bevaret.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Implement a stable partition helper\n\nWrite a Python function partition_even(values) returning two new lists: even integers first and odd integers second. Preserve order within each list and do not mutate values. Provide tests for negative integers, repeated values and empty input. Return the complete function separately from the explanation, with no claim that tests have been executed.A complete function, tests for the named cases and a brief order-preservation explanation.Check that each input occurrence appears exactly once in the appropriate result list and that source order is retained.qwen/qwen3-coder-nextQwen3-Coder-Next er Qwens programmeringsagentmodel, der kun håndterer tekst, med 80 milliarder parametre i alt, hvoraf 3 milliarder aktiveres. Den bruger output uden tænkning, en indbygget kontekst på 262,144 tokens og værktøjskald til udviklingsforløb, herunder arbejde over flere trin og genopretning ud fra udførelsesfeedback.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Styrker: en model bygget til programmeringsagenter
Qwen3-Coder-Next er en åben tekstmodel udviklet specifikt til programmeringsagenter og udviklingsforløb. Qwen beskriver problemløsning over lange forløb, kompleks værktøjsbrug og genopretning efter udførelsesfejl samt tilpasning til forskellige udviklingsrammer. Den modtager tekst og producerer tekst, herunder kode, forklaringer og værktøjsanmodninger. Dette præcise Coder-Next-checkpoint har sin egen kontrakt uden tænkning; den bredere Next-families Thinking-udgaver bør ikke erstatte det.
Til en udviklingsopgave skal du levere relevante filer eller uddrag, den tilsigtede adfærd og det input, der viser et problem. Bed om en redigerbar ændring og en forklaring knyttet til disse betingelser. Til en opgave over flere trin skal du definere målet, tilladte værktøjer og de observationer, der ville vise færdiggørelse. Gennemgå den foreslåede kodeændring og forklaring mod de leverede filer, det fejlende input og færdiggørelseskriterierne.
Modeloverblik
Modellen har 80 milliarder parametre i alt og aktiverer tre milliarder. Dens hybride opbygning med 48 lag gentager tre Gated DeltaNet-ekspertlag efterfulgt af ét ekspertlag med gated attention. Producenten angiver 512 eksperter, ti aktiverede eksperter og én fælles ekspert. Det lille aktiverede antal er en beregningsegenskab ved den sparsomme model, ikke hele checkpointets størrelse.
Den indbyggede kontekst er 262,144 tokens. Producentens eksempler tillader en mindre kontekst, eksempelvis 32,768, når hukommelsesbegrænsninger forhindrer den større konfiguration i at fungere. Kildekode, historik, værktøjsobservationer og genereret tekst skal kunne rummes i det konfigurerede sekvensbudget. Modelkortet fastslår ikke en standardudvidelse til en million tokens for dette checkpoint.
Brug af tekstgrænsefladen uden tænkning
Coder-Next understøtter kun modus uden tænkning og genererer ikke eksplicitte tænkeblokke. Indstillingen enable_thinking=False er unødvendig i producentens eksempel. Den kan stadig forklare en patch, diskutere en algoritme eller ræsonnere gennem almindelig tekst; uden tænkning beskriver dens outputmodus frem for at forbyde en forklaring.
Hurtigstarten beder om en sorteringsalgoritme og bruger et genereringsbudget på 65,536 tokens. Værdien er et eksempelbudget, ikke en særskilt offentliggjort hård outputgrænse. Angiv leverancens format og begrænsninger: sproget, relevante grænseflader, krævet adfærd, og om svaret skal indeholde en patch, en komplet funktion eller en forklaring. Hold det redigerbare resultat adskilt fra kommentarer, så det let kan gennemgås.
Udviklingsrammer og kontekst
Producenten fremhæver kompatibilitet med CLI- og IDE-lignende agentrammer, herunder Qwen Code. En ramme leverer projekttilstand, værktøjsdefinitioner, observationer og samtaleformat. Bevar disse input konsekvent under en opgave over flere trin. Når et værktøj rapporterer en fejlende kontrol, skal du levere den faktiske fejl og relevant ændret kode frem for blot at bede modellen prøve igen.
Langvarigt arbejde drager nytte af en synlig opgavetilstand: hvad der blev observeret, hvilken ændring der foreslås, og hvilken betingelse der stadig er uafklaret. En værktøjsobservation er forskellig fra en påstand i genereret tekst. Modellens evne til fejlgenopretning bør ikke behandles som automatisk tilladelse til at køre kommandoer eller som en garanti for, at enhver genopretning lykkes.
Agentbaseret programmering og værktøjskald
Qwen dokumenterer funktionslignende værktøjsdefinitioner med navne, beskrivelser, inputschemaer og krævede felter. Lever en præcis definition og den forventede betydning af returværdien. Applikationen udfører et valgt værktøj og returnerer resultatet; modellen bruger derefter resultatet i næste trin. Værktøjskald giver ikke i sig selv adgang til et filsystem, aktuelle kilder eller et eksekveringsmiljø.
For en agent, der redigerer et repository, skal de tilladte filer og den ønskede leverance afgrænses. En nyttig slutrapport kan identificere berørte moduler, forklare ændringen og angive reelle resultater returneret af de tilsluttede kontroller. Hold foreslåede kommandoer, genereret kode og afsluttede operationer adskilt. Det er praktiske forløbseksempler forankret i det dokumenterede udviklings- og værktøjsområde.
Genereringsanbefalinger
Producenten anbefaler temperature 1.0, top_p 0.95 og top_k 40. Disse præcise indstillinger adskiller sig fra flere samtaleorienterede Qwen-modeller og bør forblive del af Coder-Nexts egen opskrift. Den offentliggjorte konfiguration bruger en kausal sprogmodelarkitektur af typen Qwen3-Next. Brug dette checkpoints dokumenterede modelnavn og chatskabelon konsekvent gennem programmeringsforløbet.
Væsentlige begrænsninger
Det dokumenterede input er tekst, så skærmbilleder, lyd eller video kræver en egnet særskilt repræsentation før dette programmeringsforløb. Indbygget kontekst og eksemplernes genereringsbudgetter er begrænsede; beskær uvedkommende kode, og reservér plads til den ønskede leverance. Kontrollér genereret syntaks, grænseflader, grænsetilfælde og foreslåede ændringer i det faktiske udviklingsforløb. Det nyttige output er en kode- eller forklaringsleverance, der kan inspiceres, underbygget af faktisk opgavedokumentation og med dette checkpoints identitet som tekstmodel uden tænkning bevaret.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3-coder-next | 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 $0.00024 / 1K tokens Output · Outputtokens $0.0016 / 1K tokens Input · Cachelæsning $0.00014 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00024 / 1K tokens Output · Outputtokens $0.0016 / 1K tokens Input · Cachelæsning $0.00014 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-coder-next", "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-next',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-next',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-next
Brug metodestierne vist ovenfor.
qwen/qwen3-coder-nextQwen3-Coder-Next er Qwens programmeringsagentmodel, der kun håndterer tekst, med 80 milliarder parametre i alt, hvoraf 3 milliarder aktiveres. Den bruger output uden tænkning, en indbygget kontekst på 262,144 tokens og værktøjskald til udviklingsforløb, herunder arbejde over flere trin og genopretning ud fra udførelsesfeedback.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Styrker: en model bygget til programmeringsagenter
Qwen3-Coder-Next er en åben tekstmodel udviklet specifikt til programmeringsagenter og udviklingsforløb. Qwen beskriver problemløsning over lange forløb, kompleks værktøjsbrug og genopretning efter udførelsesfejl samt tilpasning til forskellige udviklingsrammer. Den modtager tekst og producerer tekst, herunder kode, forklaringer og værktøjsanmodninger. Dette præcise Coder-Next-checkpoint har sin egen kontrakt uden tænkning; den bredere Next-families Thinking-udgaver bør ikke erstatte det.
Til en udviklingsopgave skal du levere relevante filer eller uddrag, den tilsigtede adfærd og det input, der viser et problem. Bed om en redigerbar ændring og en forklaring knyttet til disse betingelser. Til en opgave over flere trin skal du definere målet, tilladte værktøjer og de observationer, der ville vise færdiggørelse. Gennemgå den foreslåede kodeændring og forklaring mod de leverede filer, det fejlende input og færdiggørelseskriterierne.
Modeloverblik
Modellen har 80 milliarder parametre i alt og aktiverer tre milliarder. Dens hybride opbygning med 48 lag gentager tre Gated DeltaNet-ekspertlag efterfulgt af ét ekspertlag med gated attention. Producenten angiver 512 eksperter, ti aktiverede eksperter og én fælles ekspert. Det lille aktiverede antal er en beregningsegenskab ved den sparsomme model, ikke hele checkpointets størrelse.
Den indbyggede kontekst er 262,144 tokens. Producentens eksempler tillader en mindre kontekst, eksempelvis 32,768, når hukommelsesbegrænsninger forhindrer den større konfiguration i at fungere. Kildekode, historik, værktøjsobservationer og genereret tekst skal kunne rummes i det konfigurerede sekvensbudget. Modelkortet fastslår ikke en standardudvidelse til en million tokens for dette checkpoint.
Brug af tekstgrænsefladen uden tænkning
Coder-Next understøtter kun modus uden tænkning og genererer ikke eksplicitte tænkeblokke. Indstillingen enable_thinking=False er unødvendig i producentens eksempel. Den kan stadig forklare en patch, diskutere en algoritme eller ræsonnere gennem almindelig tekst; uden tænkning beskriver dens outputmodus frem for at forbyde en forklaring.
Hurtigstarten beder om en sorteringsalgoritme og bruger et genereringsbudget på 65,536 tokens. Værdien er et eksempelbudget, ikke en særskilt offentliggjort hård outputgrænse. Angiv leverancens format og begrænsninger: sproget, relevante grænseflader, krævet adfærd, og om svaret skal indeholde en patch, en komplet funktion eller en forklaring. Hold det redigerbare resultat adskilt fra kommentarer, så det let kan gennemgås.
Udviklingsrammer og kontekst
Producenten fremhæver kompatibilitet med CLI- og IDE-lignende agentrammer, herunder Qwen Code. En ramme leverer projekttilstand, værktøjsdefinitioner, observationer og samtaleformat. Bevar disse input konsekvent under en opgave over flere trin. Når et værktøj rapporterer en fejlende kontrol, skal du levere den faktiske fejl og relevant ændret kode frem for blot at bede modellen prøve igen.
Langvarigt arbejde drager nytte af en synlig opgavetilstand: hvad der blev observeret, hvilken ændring der foreslås, og hvilken betingelse der stadig er uafklaret. En værktøjsobservation er forskellig fra en påstand i genereret tekst. Modellens evne til fejlgenopretning bør ikke behandles som automatisk tilladelse til at køre kommandoer eller som en garanti for, at enhver genopretning lykkes.
Agentbaseret programmering og værktøjskald
Qwen dokumenterer funktionslignende værktøjsdefinitioner med navne, beskrivelser, inputschemaer og krævede felter. Lever en præcis definition og den forventede betydning af returværdien. Applikationen udfører et valgt værktøj og returnerer resultatet; modellen bruger derefter resultatet i næste trin. Værktøjskald giver ikke i sig selv adgang til et filsystem, aktuelle kilder eller et eksekveringsmiljø.
For en agent, der redigerer et repository, skal de tilladte filer og den ønskede leverance afgrænses. En nyttig slutrapport kan identificere berørte moduler, forklare ændringen og angive reelle resultater returneret af de tilsluttede kontroller. Hold foreslåede kommandoer, genereret kode og afsluttede operationer adskilt. Det er praktiske forløbseksempler forankret i det dokumenterede udviklings- og værktøjsområde.
Genereringsanbefalinger
Producenten anbefaler temperature 1.0, top_p 0.95 og top_k 40. Disse præcise indstillinger adskiller sig fra flere samtaleorienterede Qwen-modeller og bør forblive del af Coder-Nexts egen opskrift. Den offentliggjorte konfiguration bruger en kausal sprogmodelarkitektur af typen Qwen3-Next. Brug dette checkpoints dokumenterede modelnavn og chatskabelon konsekvent gennem programmeringsforløbet.
Væsentlige begrænsninger
Det dokumenterede input er tekst, så skærmbilleder, lyd eller video kræver en egnet særskilt repræsentation før dette programmeringsforløb. Indbygget kontekst og eksemplernes genereringsbudgetter er begrænsede; beskær uvedkommende kode, og reservér plads til den ønskede leverance. Kontrollér genereret syntaks, grænseflader, grænsetilfælde og foreslåede ændringer i det faktiske udviklingsforløb. Det nyttige output er en kode- eller forklaringsleverance, der kan inspiceres, underbygget af faktisk opgavedokumentation og med dette checkpoints identitet som tekstmodel uden tænkning bevaret.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3-coder-next | 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 $0.00024 / 1K tokens Output · Outputtokens $0.0016 / 1K tokens Input · Cachelæsning $0.00014 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00024 / 1K tokens Output · Outputtokens $0.0016 / 1K tokens Input · Cachelæsning $0.00014 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen/qwen3-coder-next",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-next', '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-next', '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-next
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Implement a stable partition helper\n\nWrite a Python function partition_even(values) returning two new lists: even integers first and odd integers second. Preserve order within each list and do not mutate values. Provide tests for negative integers, repeated values and empty input. Return the complete function separately from the explanation, with no claim that tests have been executed.A complete function, tests for the named cases and a brief order-preservation explanation.Check that each input occurrence appears exactly once in the appropriate result list and that source order is retained.