Qwen3-Nexts styrker: direkte tekstinstruktioner
Qwen3-Next-80B-A3B-Instruct er den instruktionsfølgende tekstudgave af Qwen3-Next uden tænkning. Den modtager tekst og returnerer tekst, herunder forklaringer, kodeforslag og ønskede dokumentleverancer. Den genererer ikke eksplicitte tænkeblokke. Hold den adskilt fra Thinking-udgaven og den programmeringsspecialiserede Qwen3-Coder-Next; fælles familiearkitektur gør ikke deres svarkontrakter udskiftelige.
Familien indfører hybrid attention, som kombinerer Gated DeltaNet og gated attention, meget sparsomme eksperter, stabilitetsoptimeringer, herunder nulcentreret og vægtdecayet layer normalization, samt multi-token prediction. Ændringerne vedrører repræsentation og træning af lange sekvenser. Deres inferenseffektivitet afhænger af implementeringen, så arkitekturtal bør ikke blive en garanti for fast svartid eller gennemløb.
Modeloverblik
Checkpointet har 80 milliarder parametre i alt og aktiverer tre milliarder. Det har 48 lag i et gentaget ekspertmønster med tre DeltaNet-lag til ét lag med gated attention. Producenten angiver 512 eksperter, ti aktiverede eksperter og én fælles ekspert med fortræning på 15 billioner tokens efterfulgt af eftertræning. Aktiverede parametre er ikke hele checkpointets størrelse.
Den indbyggede kontekst er 262,144 tokens med dokumenteret udvidelse til 1,010,000. Producentens installationseksempler tillader en mindre kontekst, eksempelvis 32,768, når ressourcebegrænsninger forhindrer den større indstilling i at fungere. Tekst, samtalehistorik, værktøjsobservationer og genereret indhold deler det konfigurerede sekvensbudget. Udvidelsen er en yderligere konfigurationsvej frem for ubegrænset standardinput.
Brug af Instruct-grænsefladen
Denne model understøtter kun instruktionsmodus uden tænkning. Den kan forklare en algoritme, vise beregninger eller begrunde en konklusion i almindelig tekst uden at producere en særlig tænkeblok. Angiv leverancens format og afgrænsning: en komplet funktion, en kort rapport, en dokumentationstabel eller et svar med understøttende trin. En anmodning om en lang forklaring gør den ikke til det særskilt navngivne Thinking-checkpoint.
Til en dokumentopgave skal du bevare afsnitsidentifikatorer og definere de spørgsmål, rapporten skal besvare. Til kode skal du levere relevant funktion eller modul, inputbegrænsninger og forventet output. Til matematik skal du give hele opgaveteksten og bede om et afgrænset slutresultat. Sammenlign de returnerede beregninger, koden eller forklaringen med de angivne betingelser og faktiske resultater.
Implementering og værktøjer
Producenten dokumenterer værktøjskald og anbefaler Qwen-Agent til skabeloner og parsing med konfigurerede eller MCP-tilsluttede værktøjer. Et tilsluttet forløb kan levere informationshentning, inspektion eller tilladt udførelse og returnere faktiske observationer. Angiv værktøjerne, tilladte handlinger og synlige færdiggørelsesbetingelser, og bed derefter slutrapporten skelne mellem forslag og reelt returnerede resultater.
Multi-token prediction indgår i træningen, men brugen ved inferens er implementeringsafhængig og er ikke generelt tilgængelig i ethvert letvægtsforløb. En skabelon- eller arkitekturegenskab fastslår ikke i sig selv adgang til aktuelle kilder, filer eller et kodemiljø. Bevar den præcise model og det samtaleformat, den valgte grænseflade bruger.
Ultralang tekst
Producenten validerer en kontekst på cirka en million tokens med YaRN og giver en opskrift med faktor fire baseret på 262,144 indbyggede positioner. Til arbejdsbelastninger på 524,288 tokens foreslås en faktor på to. Statisk skalering kan sænke ydeevnen på kortere tekst, så konfigurationen bør følge det faktiske behov for længere input.
Hold langt materiale organiseret efter dokument, kodesti eller afsnit, og fjern uvedkommende gentagelser. Bed svaret identificere sine understøttende passager eller betingelser. Reservér plads til svaret frem for at behandle det største konteksttal som fuldstændig genkaldelse af alle leverede detaljer. Det offentliggjorte udvidelsestal 1,010,000 og valideringen omkring en million forbliver afgrænset til producentens forløb med lang kontekst.
Genereringsvejledning
Best Practices anbefaler temperature 0.7, top_p 0.8, top_k 20 og min_p 0. Hvor det understøttes, kan en presence penalty mellem nul og to mindske gentaget tekst, men højere værdier kan blande sprog eller forringe kvaliteten en smule. Producenten anbefaler et outputbudget på 16,384 tokens til de fleste forespørgsler. Det er et anbefalet genereringsbudget frem for et selvstændigt hårdt maksimum; det bør ikke overtage Thinking-udgavens længere budgetter.
Angiv resultatformen udtrykkeligt, eksempelvis en matematisk afgrænser eller et svarfelt. Gør slutleverancen let at inspicere, og verificér dens beregninger, citater eller kode mod kilden. Denne tekstudgave modtager ikke billeder, lyd eller video som eget input, så disse materialer kræver en egnet særskilt repræsentation, før de kan understøtte opgaven.
Praktisk resultat
Det nyttige output er en konkret tekstleverance forankret i de angivne betingelser: en dokumentforklaring, et kodeforslag eller et direkte svar med de krævede understøttende detaljer. Lang kontekst og værktøjskald kan hjælpe med at føre mere dokumentation gennem et forløb, mens kontrakten uden tænkning gør denne præcise udgaves outputstil klar. Kontrollér resultatet i det faktiske opgavemiljø frem for at udlede korrekthed af dets længde eller sikre formuleringer.
", "aboutText": "Qwen3-Nexts styrker: direkte tekstinstruktioner\n\nQwen3-Next-80B-A3B-Instruct er den instruktionsfølgende tekstudgave af Qwen3-Next uden tænkning. Den modtager tekst og returnerer tekst, herunder forklaringer, kodeforslag og ønskede dokumentleverancer. Den genererer ikke eksplicitte tænkeblokke. Hold den adskilt fra Thinking-udgaven og den programmeringsspecialiserede Qwen3-Coder-Next; fælles familiearkitektur gør ikke deres svarkontrakter udskiftelige.\n\nFamilien indfører hybrid attention, som kombinerer Gated DeltaNet og gated attention, meget sparsomme eksperter, stabilitetsoptimeringer, herunder nulcentreret og vægtdecayet layer normalization, samt multi-token prediction. Ændringerne vedrører repræsentation og træning af lange sekvenser. Deres inferenseffektivitet afhænger af implementeringen, så arkitekturtal bør ikke blive en garanti for fast svartid eller gennemløb.\n\nModeloverblik\n\nCheckpointet har 80 milliarder parametre i alt og aktiverer tre milliarder. Det har 48 lag i et gentaget ekspertmønster med tre DeltaNet-lag til ét lag med gated attention. Producenten angiver 512 eksperter, ti aktiverede eksperter og én fælles ekspert med fortræning på 15 billioner tokens efterfulgt af eftertræning. Aktiverede parametre er ikke hele checkpointets størrelse.\n\nDen indbyggede kontekst er 262,144 tokens med dokumenteret udvidelse til 1,010,000. Producentens installationseksempler tillader en mindre kontekst, eksempelvis 32,768, når ressourcebegrænsninger forhindrer den større indstilling i at fungere. Tekst, samtalehistorik, værktøjsobservationer og genereret indhold deler det konfigurerede sekvensbudget. Udvidelsen er en yderligere konfigurationsvej frem for ubegrænset standardinput.\n\nBrug af Instruct-grænsefladen\n\nDenne model understøtter kun instruktionsmodus uden tænkning. Den kan forklare en algoritme, vise beregninger eller begrunde en konklusion i almindelig tekst uden at producere en særlig tænkeblok. Angiv leverancens format og afgrænsning: en komplet funktion, en kort rapport, en dokumentationstabel eller et svar med understøttende trin. En anmodning om en lang forklaring gør den ikke til det særskilt navngivne Thinking-checkpoint.\n\nTil en dokumentopgave skal du bevare afsnitsidentifikatorer og definere de spørgsmål, rapporten skal besvare. Til kode skal du levere relevant funktion eller modul, inputbegrænsninger og forventet output. Til matematik skal du give hele opgaveteksten og bede om et afgrænset slutresultat. Sammenlign de returnerede beregninger, koden eller forklaringen med de angivne betingelser og faktiske resultater.\n\nImplementering og værktøjer\n\nProducenten dokumenterer værktøjskald og anbefaler Qwen-Agent til skabeloner og parsing med konfigurerede eller MCP-tilsluttede værktøjer. Et tilsluttet forløb kan levere informationshentning, inspektion eller tilladt udførelse og returnere faktiske observationer. Angiv værktøjerne, tilladte handlinger og synlige færdiggørelsesbetingelser, og bed derefter slutrapporten skelne mellem forslag og reelt returnerede resultater.\n\nMulti-token prediction indgår i træningen, men brugen ved inferens er implementeringsafhængig og er ikke generelt tilgængelig i ethvert letvægtsforløb. En skabelon- eller arkitekturegenskab fastslår ikke i sig selv adgang til aktuelle kilder, filer eller et kodemiljø. Bevar den præcise model og det samtaleformat, den valgte grænseflade bruger.\n\nUltralang tekst\n\nProducenten validerer en kontekst på cirka en million tokens med YaRN og giver en opskrift med faktor fire baseret på 262,144 indbyggede positioner. Til arbejdsbelastninger på 524,288 tokens foreslås en faktor på to. Statisk skalering kan sænke ydeevnen på kortere tekst, så konfigurationen bør følge det faktiske behov for længere input.\n\nHold langt materiale organiseret efter dokument, kodesti eller afsnit, og fjern uvedkommende gentagelser. Bed svaret identificere sine understøttende passager eller betingelser. Reservér plads til svaret frem for at behandle det største konteksttal som fuldstændig genkaldelse af alle leverede detaljer. Det offentliggjorte udvidelsestal 1,010,000 og valideringen omkring en million forbliver afgrænset til producentens forløb med lang kontekst.\n\nGenereringsvejledning\n\nBest Practices anbefaler temperature 0.7, top_p 0.8, top_k 20 og min_p 0. Hvor det understøttes, kan en presence penalty mellem nul og to mindske gentaget tekst, men højere værdier kan blande sprog eller forringe kvaliteten en smule. Producenten anbefaler et outputbudget på 16,384 tokens til de fleste forespørgsler. Det er et anbefalet genereringsbudget frem for et selvstændigt hårdt maksimum; det bør ikke overtage Thinking-udgavens længere budgetter.\n\nAngiv resultatformen udtrykkeligt, eksempelvis en matematisk afgrænser eller et svarfelt. Gør slutleverancen let at inspicere, og verificér dens beregninger, citater eller kode mod kilden. Denne tekstudgave modtager ikke billeder, lyd eller video som eget input, så disse materialer kræver en egnet særskilt repræsentation, før de kan understøtte opgaven.\n\nPraktisk resultat\n\nDet nyttige output er en konkret tekstleverance forankret i de angivne betingelser: en dokumentforklaring, et kodeforslag eller et direkte svar med de krævede understøttende detaljer. Lang kontekst og værktøjskald kan hjælpe med at føre mere dokumentation gennem et forløb, mens kontrakten uden tænkning gør denne præcise udgaves outputstil klar. Kontrollér resultatet i det faktiske opgavemiljø frem for at udlede korrekthed af dets længde eller sikre formuleringer.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Explain a section-specific decision\n\nAnswer only from these procedure sections. Section 2: standard purchases need a manager's approval. Section 4: emergency safety purchases may proceed first, but must be reported to that manager within one day. Case: a broken emergency exit light needs replacement today. Give a concise recommendation with section references and identify the follow-up obligation. Do not invent an approval already granted.A direct recommendation with supporting sections and the one-day reporting obligation.The emergency exception retains its reporting condition and is not generalised to all purchases.qwen/qwen3-next-80b-a3b-instructQwen3-Next-80B-A3B-Instruct er Qwens tekstudgave uden tænkning med 80 milliarder parametre i alt, hvoraf 3 milliarder aktiveres. Den kombinerer hybrid attention, sparsomme eksperter og værktøjskald med en indbygget kontekst på 262,144 tokens, der kan udvides til 1,010,000 via konfiguration.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3-Nexts styrker: direkte tekstinstruktioner
Qwen3-Next-80B-A3B-Instruct er den instruktionsfølgende tekstudgave af Qwen3-Next uden tænkning. Den modtager tekst og returnerer tekst, herunder forklaringer, kodeforslag og ønskede dokumentleverancer. Den genererer ikke eksplicitte tænkeblokke. Hold den adskilt fra Thinking-udgaven og den programmeringsspecialiserede Qwen3-Coder-Next; fælles familiearkitektur gør ikke deres svarkontrakter udskiftelige.
Familien indfører hybrid attention, som kombinerer Gated DeltaNet og gated attention, meget sparsomme eksperter, stabilitetsoptimeringer, herunder nulcentreret og vægtdecayet layer normalization, samt multi-token prediction. Ændringerne vedrører repræsentation og træning af lange sekvenser. Deres inferenseffektivitet afhænger af implementeringen, så arkitekturtal bør ikke blive en garanti for fast svartid eller gennemløb.
Modeloverblik
Checkpointet har 80 milliarder parametre i alt og aktiverer tre milliarder. Det har 48 lag i et gentaget ekspertmønster med tre DeltaNet-lag til ét lag med gated attention. Producenten angiver 512 eksperter, ti aktiverede eksperter og én fælles ekspert med fortræning på 15 billioner tokens efterfulgt af eftertræning. Aktiverede parametre er ikke hele checkpointets størrelse.
Den indbyggede kontekst er 262,144 tokens med dokumenteret udvidelse til 1,010,000. Producentens installationseksempler tillader en mindre kontekst, eksempelvis 32,768, når ressourcebegrænsninger forhindrer den større indstilling i at fungere. Tekst, samtalehistorik, værktøjsobservationer og genereret indhold deler det konfigurerede sekvensbudget. Udvidelsen er en yderligere konfigurationsvej frem for ubegrænset standardinput.
Brug af Instruct-grænsefladen
Denne model understøtter kun instruktionsmodus uden tænkning. Den kan forklare en algoritme, vise beregninger eller begrunde en konklusion i almindelig tekst uden at producere en særlig tænkeblok. Angiv leverancens format og afgrænsning: en komplet funktion, en kort rapport, en dokumentationstabel eller et svar med understøttende trin. En anmodning om en lang forklaring gør den ikke til det særskilt navngivne Thinking-checkpoint.
Til en dokumentopgave skal du bevare afsnitsidentifikatorer og definere de spørgsmål, rapporten skal besvare. Til kode skal du levere relevant funktion eller modul, inputbegrænsninger og forventet output. Til matematik skal du give hele opgaveteksten og bede om et afgrænset slutresultat. Sammenlign de returnerede beregninger, koden eller forklaringen med de angivne betingelser og faktiske resultater.
Implementering og værktøjer
Producenten dokumenterer værktøjskald og anbefaler Qwen-Agent til skabeloner og parsing med konfigurerede eller MCP-tilsluttede værktøjer. Et tilsluttet forløb kan levere informationshentning, inspektion eller tilladt udførelse og returnere faktiske observationer. Angiv værktøjerne, tilladte handlinger og synlige færdiggørelsesbetingelser, og bed derefter slutrapporten skelne mellem forslag og reelt returnerede resultater.
Multi-token prediction indgår i træningen, men brugen ved inferens er implementeringsafhængig og er ikke generelt tilgængelig i ethvert letvægtsforløb. En skabelon- eller arkitekturegenskab fastslår ikke i sig selv adgang til aktuelle kilder, filer eller et kodemiljø. Bevar den præcise model og det samtaleformat, den valgte grænseflade bruger.
Ultralang tekst
Producenten validerer en kontekst på cirka en million tokens med YaRN og giver en opskrift med faktor fire baseret på 262,144 indbyggede positioner. Til arbejdsbelastninger på 524,288 tokens foreslås en faktor på to. Statisk skalering kan sænke ydeevnen på kortere tekst, så konfigurationen bør følge det faktiske behov for længere input.
Hold langt materiale organiseret efter dokument, kodesti eller afsnit, og fjern uvedkommende gentagelser. Bed svaret identificere sine understøttende passager eller betingelser. Reservér plads til svaret frem for at behandle det største konteksttal som fuldstændig genkaldelse af alle leverede detaljer. Det offentliggjorte udvidelsestal 1,010,000 og valideringen omkring en million forbliver afgrænset til producentens forløb med lang kontekst.
Genereringsvejledning
Best Practices anbefaler temperature 0.7, top_p 0.8, top_k 20 og min_p 0. Hvor det understøttes, kan en presence penalty mellem nul og to mindske gentaget tekst, men højere værdier kan blande sprog eller forringe kvaliteten en smule. Producenten anbefaler et outputbudget på 16,384 tokens til de fleste forespørgsler. Det er et anbefalet genereringsbudget frem for et selvstændigt hårdt maksimum; det bør ikke overtage Thinking-udgavens længere budgetter.
Angiv resultatformen udtrykkeligt, eksempelvis en matematisk afgrænser eller et svarfelt. Gør slutleverancen let at inspicere, og verificér dens beregninger, citater eller kode mod kilden. Denne tekstudgave modtager ikke billeder, lyd eller video som eget input, så disse materialer kræver en egnet særskilt repræsentation, før de kan understøtte opgaven.
Praktisk resultat
Det nyttige output er en konkret tekstleverance forankret i de angivne betingelser: en dokumentforklaring, et kodeforslag eller et direkte svar med de krævede understøttende detaljer. Lang kontekst og værktøjskald kan hjælpe med at føre mere dokumentation gennem et forløb, mens kontrakten uden tænkning gør denne præcise udgaves outputstil klar. Kontrollér resultatet i det faktiske opgavemiljø frem for at udlede korrekthed af dets længde eller sikre formuleringer.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3-next-80b-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 $0.000286 / 1K tokens Output · Outputtokens $0.0022 / 1K tokens Input · Cachelæsning $0.00014 / 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 $0.000286 / 1K tokens Output · Outputtokens $0.0022 / 1K tokens Input · Cachelæsning $0.00014 / 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-next-80b-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-next-80b-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-next-80b-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-next-80b-a3b-instruct
Brug metodestierne vist ovenfor.
qwen/qwen3-next-80b-a3b-instructQwen3-Next-80B-A3B-Instruct er Qwens tekstudgave uden tænkning med 80 milliarder parametre i alt, hvoraf 3 milliarder aktiveres. Den kombinerer hybrid attention, sparsomme eksperter og værktøjskald med en indbygget kontekst på 262,144 tokens, der kan udvides til 1,010,000 via konfiguration.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3-Nexts styrker: direkte tekstinstruktioner
Qwen3-Next-80B-A3B-Instruct er den instruktionsfølgende tekstudgave af Qwen3-Next uden tænkning. Den modtager tekst og returnerer tekst, herunder forklaringer, kodeforslag og ønskede dokumentleverancer. Den genererer ikke eksplicitte tænkeblokke. Hold den adskilt fra Thinking-udgaven og den programmeringsspecialiserede Qwen3-Coder-Next; fælles familiearkitektur gør ikke deres svarkontrakter udskiftelige.
Familien indfører hybrid attention, som kombinerer Gated DeltaNet og gated attention, meget sparsomme eksperter, stabilitetsoptimeringer, herunder nulcentreret og vægtdecayet layer normalization, samt multi-token prediction. Ændringerne vedrører repræsentation og træning af lange sekvenser. Deres inferenseffektivitet afhænger af implementeringen, så arkitekturtal bør ikke blive en garanti for fast svartid eller gennemløb.
Modeloverblik
Checkpointet har 80 milliarder parametre i alt og aktiverer tre milliarder. Det har 48 lag i et gentaget ekspertmønster med tre DeltaNet-lag til ét lag med gated attention. Producenten angiver 512 eksperter, ti aktiverede eksperter og én fælles ekspert med fortræning på 15 billioner tokens efterfulgt af eftertræning. Aktiverede parametre er ikke hele checkpointets størrelse.
Den indbyggede kontekst er 262,144 tokens med dokumenteret udvidelse til 1,010,000. Producentens installationseksempler tillader en mindre kontekst, eksempelvis 32,768, når ressourcebegrænsninger forhindrer den større indstilling i at fungere. Tekst, samtalehistorik, værktøjsobservationer og genereret indhold deler det konfigurerede sekvensbudget. Udvidelsen er en yderligere konfigurationsvej frem for ubegrænset standardinput.
Brug af Instruct-grænsefladen
Denne model understøtter kun instruktionsmodus uden tænkning. Den kan forklare en algoritme, vise beregninger eller begrunde en konklusion i almindelig tekst uden at producere en særlig tænkeblok. Angiv leverancens format og afgrænsning: en komplet funktion, en kort rapport, en dokumentationstabel eller et svar med understøttende trin. En anmodning om en lang forklaring gør den ikke til det særskilt navngivne Thinking-checkpoint.
Til en dokumentopgave skal du bevare afsnitsidentifikatorer og definere de spørgsmål, rapporten skal besvare. Til kode skal du levere relevant funktion eller modul, inputbegrænsninger og forventet output. Til matematik skal du give hele opgaveteksten og bede om et afgrænset slutresultat. Sammenlign de returnerede beregninger, koden eller forklaringen med de angivne betingelser og faktiske resultater.
Implementering og værktøjer
Producenten dokumenterer værktøjskald og anbefaler Qwen-Agent til skabeloner og parsing med konfigurerede eller MCP-tilsluttede værktøjer. Et tilsluttet forløb kan levere informationshentning, inspektion eller tilladt udførelse og returnere faktiske observationer. Angiv værktøjerne, tilladte handlinger og synlige færdiggørelsesbetingelser, og bed derefter slutrapporten skelne mellem forslag og reelt returnerede resultater.
Multi-token prediction indgår i træningen, men brugen ved inferens er implementeringsafhængig og er ikke generelt tilgængelig i ethvert letvægtsforløb. En skabelon- eller arkitekturegenskab fastslår ikke i sig selv adgang til aktuelle kilder, filer eller et kodemiljø. Bevar den præcise model og det samtaleformat, den valgte grænseflade bruger.
Ultralang tekst
Producenten validerer en kontekst på cirka en million tokens med YaRN og giver en opskrift med faktor fire baseret på 262,144 indbyggede positioner. Til arbejdsbelastninger på 524,288 tokens foreslås en faktor på to. Statisk skalering kan sænke ydeevnen på kortere tekst, så konfigurationen bør følge det faktiske behov for længere input.
Hold langt materiale organiseret efter dokument, kodesti eller afsnit, og fjern uvedkommende gentagelser. Bed svaret identificere sine understøttende passager eller betingelser. Reservér plads til svaret frem for at behandle det største konteksttal som fuldstændig genkaldelse af alle leverede detaljer. Det offentliggjorte udvidelsestal 1,010,000 og valideringen omkring en million forbliver afgrænset til producentens forløb med lang kontekst.
Genereringsvejledning
Best Practices anbefaler temperature 0.7, top_p 0.8, top_k 20 og min_p 0. Hvor det understøttes, kan en presence penalty mellem nul og to mindske gentaget tekst, men højere værdier kan blande sprog eller forringe kvaliteten en smule. Producenten anbefaler et outputbudget på 16,384 tokens til de fleste forespørgsler. Det er et anbefalet genereringsbudget frem for et selvstændigt hårdt maksimum; det bør ikke overtage Thinking-udgavens længere budgetter.
Angiv resultatformen udtrykkeligt, eksempelvis en matematisk afgrænser eller et svarfelt. Gør slutleverancen let at inspicere, og verificér dens beregninger, citater eller kode mod kilden. Denne tekstudgave modtager ikke billeder, lyd eller video som eget input, så disse materialer kræver en egnet særskilt repræsentation, før de kan understøtte opgaven.
Praktisk resultat
Det nyttige output er en konkret tekstleverance forankret i de angivne betingelser: en dokumentforklaring, et kodeforslag eller et direkte svar med de krævede understøttende detaljer. Lang kontekst og værktøjskald kan hjælpe med at føre mere dokumentation gennem et forløb, mens kontrakten uden tænkning gør denne præcise udgaves outputstil klar. Kontrollér resultatet i det faktiske opgavemiljø frem for at udlede korrekthed af dets længde eller sikre formuleringer.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3-next-80b-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 $0.000286 / 1K tokens Output · Outputtokens $0.0022 / 1K tokens Input · Cachelæsning $0.00014 / 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 $0.000286 / 1K tokens Output · Outputtokens $0.0022 / 1K tokens Input · Cachelæsning $0.00014 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen/qwen3-next-80b-a3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-next-80b-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-next-80b-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-next-80b-a3b-instruct
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Explain a section-specific decision\n\nAnswer only from these procedure sections. Section 2: standard purchases need a manager's approval. Section 4: emergency safety purchases may proceed first, but must be reported to that manager within one day. Case: a broken emergency exit light needs replacement today. Give a concise recommendation with section references and identify the follow-up obligation. Do not invent an approval already granted.A direct recommendation with supporting sections and the one-day reporting obligation.The emergency exception retains its reporting condition and is not generalised to all purchases.