Qwen3-Nexts styrker: komplekst tekstræsonnement
Qwen3-Next-80B-A3B-Thinking er tekstudgaven af Qwen3-Next, der kun bruger tænkning. Producenten anbefaler den til meget komplekse ræsonnementsopgaver og bemærker, at dens tænkning kan være længere end i tidligere modeller. Den modtager tekst og returnerer tekst, herunder et forklaret svar eller et kodeforslag. Hold den adskilt fra Qwen3-Next-80B-A3B-Instruct og Qwen3-Coder-Next, som har andre kontrakter uden tænkning.
Familien indfører hybrid attention, som kombinerer Gated DeltaNet og gated attention, meget sparsomme eksperter, stabilitetsteknikker såsom nulcentreret og vægtdecayet layer normalization samt multi-token prediction. Qwen beskriver også stabilisering af forstærkningslæring gennem GSPO. Det er trænings- og arkitekturegenskaber; effektivitetsgevinster afhænger af implementeringen og bør ikke blive en universel påstand om svartid.
Modeloverblik
Modellen har 80 milliarder parametre i alt og aktiverer tre milliarder. Den har 48 lag i et 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. Kildetekst, tidligere beskeder, værktøjsobservationer, ræsonnementer og endeligt output deler det konfigurerede sekvensbudget. Til kompleks tænkning anbefaler producenten om muligt en konfigureret kontekst større end 131,072, selv om et mindre vindue ville reducere hukommelsespresset.
Brug af grænsefladen med kun tænkning
Standardchatskabelonen indeholder allerede den indledende tænkningsmarkør. En returneret sekvens kan derfor indeholde slutmarkøren uden at gentage startmarkøren. Det er normal formatering i producentens opskrift, ikke tegn på, at ræsonnementerne mangler. Modellen understøtter kun tænkningsmodus; en anmodning om et kort endeligt svar gør den ikke til en udgave uden tænkning.
Til et matematisk eller logisk problem skal du give hele opgaveteksten, definitioner, enheder og tilladte antagelser. Bed om et klart afgrænset endeligt svar med de understøttende trin, der kræves for at kontrollere det. Til koderæsonnement skal du levere relevant funktion, input og tilsigtet adfærd og derefter bede om et forklaret forslag. Sammenlign de understøttende beregninger eller den foreslåede patch med de angivne betingelser og faktiske resultater.
Implementering og værktøjer
Producentens eksempler understøtter udviklings- og værktøjsforløb og anbefaler Qwen-Agent til værktøjsskabeloner og parsing med konfigurerede eller MCP-tilsluttede værktøjer. Definér de tilladte værktøjer, opgavemålet og den observerbare betingelse for færdiggørelse. Applikationen udfører eksterne handlinger og returnerer faktiske observationer; modellen kan derefter bruge feedbacken i sit næste svar.
Multi-token prediction indgår i træningen, men brugen ved inferens afhænger af implementeringen og er ikke generelt tilgængelig i ethvert letvægtsforløb. Bevar denne forskel ved vurdering af en installation. Værktøjs- eller arkitekturevner alene fastslår ikke adgang til filer, aktuelle kilder eller et eksekveringsmiljø gennem en anden applikation.
Ultralang tekst
Den dokumenterede udvidelse bruger YaRN. Producenten validerer en kontekst på cirka en million tokens og giver en opskrift med faktor fire baseret på de indbyggede 262,144 positioner; til arbejdsbelastninger på 524,288 tokens foreslås en faktor på to. Statisk skalering kan påvirke ydeevnen på kortere tekst og bør derfor følge det faktiske behov for længere input.
Organisér stort input med dokumentgrænser og kode- eller afsnitsidentifikatorer. Angiv spørgsmålet og den forventede leverance, så modellen kan forbinde relevant dokumentation frem for at behandle hele vinduet som erstatning for en klar opgave. Reservér plads til dens potentielt lange ræsonnementer og det endelige resultat.
Genereringsvejledning
Best Practices anbefaler temperature 0.6, top_p 0.95, 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. Qwen anbefaler et genereringsbudget på 32,768 tokens til de fleste spørgsmål og 81,920 til usædvanligt komplekse matematik- eller programmeringsopgaver. Det er anbefalinger frem for selvstændige hårde outputgrænser.
Angiv formatet for det endelige svar udtrykkeligt, eksempelvis et afgrænset matematisk resultat eller et svarfelt. Producenten anbefaler at bevare endelige output uden tænkningsindhold i tidligere assistentbeskeder efter dette checkpoints skabelon. Senere modellers muligheder for bevarelse af tidligere ræsonnementer bør ikke overtages automatisk.
Væsentlige begrænsninger
Dette er en model, der kun håndterer tekst. Billeder, lyd eller video kræver en egnet særskilt repræsentation, før de kan fungere som dokumentation i dette forløb. Lang tænkning og kontekst er begrænsede ressourcer, og detaljerede ræsonnementer beviser ikke selvstændigt et korrekt resultat. Kontrollér antagelser, beregninger og genereret kode mod den leverede kilde. Det nyttige resultat er et svar eller en leverance, der kan gennemgås, hvis dokumentation forbliver synlig, og hvis identitet med kun tænkning bevares.
", "aboutText": "Qwen3-Nexts styrker: komplekst tekstræsonnement\n\nQwen3-Next-80B-A3B-Thinking er tekstudgaven af Qwen3-Next, der kun bruger tænkning. Producenten anbefaler den til meget komplekse ræsonnementsopgaver og bemærker, at dens tænkning kan være længere end i tidligere modeller. Den modtager tekst og returnerer tekst, herunder et forklaret svar eller et kodeforslag. Hold den adskilt fra Qwen3-Next-80B-A3B-Instruct og Qwen3-Coder-Next, som har andre kontrakter uden tænkning.\n\nFamilien indfører hybrid attention, som kombinerer Gated DeltaNet og gated attention, meget sparsomme eksperter, stabilitetsteknikker såsom nulcentreret og vægtdecayet layer normalization samt multi-token prediction. Qwen beskriver også stabilisering af forstærkningslæring gennem GSPO. Det er trænings- og arkitekturegenskaber; effektivitetsgevinster afhænger af implementeringen og bør ikke blive en universel påstand om svartid.\n\nModeloverblik\n\nModellen har 80 milliarder parametre i alt og aktiverer tre milliarder. Den har 48 lag i et 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. Kildetekst, tidligere beskeder, værktøjsobservationer, ræsonnementer og endeligt output deler det konfigurerede sekvensbudget. Til kompleks tænkning anbefaler producenten om muligt en konfigureret kontekst større end 131,072, selv om et mindre vindue ville reducere hukommelsespresset.\n\nBrug af grænsefladen med kun tænkning\n\nStandardchatskabelonen indeholder allerede den indledende tænkningsmarkør. En returneret sekvens kan derfor indeholde slutmarkøren uden at gentage startmarkøren. Det er normal formatering i producentens opskrift, ikke tegn på, at ræsonnementerne mangler. Modellen understøtter kun tænkningsmodus; en anmodning om et kort endeligt svar gør den ikke til en udgave uden tænkning.\n\nTil et matematisk eller logisk problem skal du give hele opgaveteksten, definitioner, enheder og tilladte antagelser. Bed om et klart afgrænset endeligt svar med de understøttende trin, der kræves for at kontrollere det. Til koderæsonnement skal du levere relevant funktion, input og tilsigtet adfærd og derefter bede om et forklaret forslag. Sammenlign de understøttende beregninger eller den foreslåede patch med de angivne betingelser og faktiske resultater.\n\nImplementering og værktøjer\n\nProducentens eksempler understøtter udviklings- og værktøjsforløb og anbefaler Qwen-Agent til værktøjsskabeloner og parsing med konfigurerede eller MCP-tilsluttede værktøjer. Definér de tilladte værktøjer, opgavemålet og den observerbare betingelse for færdiggørelse. Applikationen udfører eksterne handlinger og returnerer faktiske observationer; modellen kan derefter bruge feedbacken i sit næste svar.\n\nMulti-token prediction indgår i træningen, men brugen ved inferens afhænger af implementeringen og er ikke generelt tilgængelig i ethvert letvægtsforløb. Bevar denne forskel ved vurdering af en installation. Værktøjs- eller arkitekturevner alene fastslår ikke adgang til filer, aktuelle kilder eller et eksekveringsmiljø gennem en anden applikation.\n\nUltralang tekst\n\nDen dokumenterede udvidelse bruger YaRN. Producenten validerer en kontekst på cirka en million tokens og giver en opskrift med faktor fire baseret på de indbyggede 262,144 positioner; til arbejdsbelastninger på 524,288 tokens foreslås en faktor på to. Statisk skalering kan påvirke ydeevnen på kortere tekst og bør derfor følge det faktiske behov for længere input.\n\nOrganisér stort input med dokumentgrænser og kode- eller afsnitsidentifikatorer. Angiv spørgsmålet og den forventede leverance, så modellen kan forbinde relevant dokumentation frem for at behandle hele vinduet som erstatning for en klar opgave. Reservér plads til dens potentielt lange ræsonnementer og det endelige resultat.\n\nGenereringsvejledning\n\nBest Practices anbefaler temperature 0.6, top_p 0.95, 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. Qwen anbefaler et genereringsbudget på 32,768 tokens til de fleste spørgsmål og 81,920 til usædvanligt komplekse matematik- eller programmeringsopgaver. Det er anbefalinger frem for selvstændige hårde outputgrænser.\n\nAngiv formatet for det endelige svar udtrykkeligt, eksempelvis et afgrænset matematisk resultat eller et svarfelt. Producenten anbefaler at bevare endelige output uden tænkningsindhold i tidligere assistentbeskeder efter dette checkpoints skabelon. Senere modellers muligheder for bevarelse af tidligere ræsonnementer bør ikke overtages automatisk.\n\nVæsentlige begrænsninger\n\nDette er en model, der kun håndterer tekst. Billeder, lyd eller video kræver en egnet særskilt repræsentation, før de kan fungere som dokumentation i dette forløb. Lang tænkning og kontekst er begrænsede ressourcer, og detaljerede ræsonnementer beviser ikke selvstændigt et korrekt resultat. Kontrollér antagelser, beregninger og genereret kode mod den leverede kilde. Det nyttige resultat er et svar eller en leverance, der kan gennemgås, hvis dokumentation forbliver synlig, og hvis identitet med kun tænkning bevares.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Identify what a logic puzzle actually determines\n\nExactly one of A, B and C took a key, and exactly one statement is true. A says, 'B took it.' B says, 'C took it.' C says, 'I did not take it.' Determine every possible culprit consistent with these premises. Show a truth table and state whether the culprit is uniquely determined.A three-case truth table and the complete set of consistent culprits with a uniqueness conclusion.The table checks exactly one true statement in each candidate case and preserves multiple solutions if the premises allow them.qwen/qwen3-next-80b-a3b-thinkingQwen3-Next-80B-A3B-Thinking er Qwens tekstræsonnementsmodel med 80 milliarder parametre i alt, hvoraf 3 milliarder aktiveres. Den bruger udelukkende tænkning, hybrid attention og sparsomme eksperter til komplekse opgaver med en indbygget kontekst på 262,144 tokens og betinget udvidelse til 1,010,000.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3-Nexts styrker: komplekst tekstræsonnement
Qwen3-Next-80B-A3B-Thinking er tekstudgaven af Qwen3-Next, der kun bruger tænkning. Producenten anbefaler den til meget komplekse ræsonnementsopgaver og bemærker, at dens tænkning kan være længere end i tidligere modeller. Den modtager tekst og returnerer tekst, herunder et forklaret svar eller et kodeforslag. Hold den adskilt fra Qwen3-Next-80B-A3B-Instruct og Qwen3-Coder-Next, som har andre kontrakter uden tænkning.
Familien indfører hybrid attention, som kombinerer Gated DeltaNet og gated attention, meget sparsomme eksperter, stabilitetsteknikker såsom nulcentreret og vægtdecayet layer normalization samt multi-token prediction. Qwen beskriver også stabilisering af forstærkningslæring gennem GSPO. Det er trænings- og arkitekturegenskaber; effektivitetsgevinster afhænger af implementeringen og bør ikke blive en universel påstand om svartid.
Modeloverblik
Modellen har 80 milliarder parametre i alt og aktiverer tre milliarder. Den har 48 lag i et 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. Kildetekst, tidligere beskeder, værktøjsobservationer, ræsonnementer og endeligt output deler det konfigurerede sekvensbudget. Til kompleks tænkning anbefaler producenten om muligt en konfigureret kontekst større end 131,072, selv om et mindre vindue ville reducere hukommelsespresset.
Brug af grænsefladen med kun tænkning
Standardchatskabelonen indeholder allerede den indledende tænkningsmarkør. En returneret sekvens kan derfor indeholde slutmarkøren uden at gentage startmarkøren. Det er normal formatering i producentens opskrift, ikke tegn på, at ræsonnementerne mangler. Modellen understøtter kun tænkningsmodus; en anmodning om et kort endeligt svar gør den ikke til en udgave uden tænkning.
Til et matematisk eller logisk problem skal du give hele opgaveteksten, definitioner, enheder og tilladte antagelser. Bed om et klart afgrænset endeligt svar med de understøttende trin, der kræves for at kontrollere det. Til koderæsonnement skal du levere relevant funktion, input og tilsigtet adfærd og derefter bede om et forklaret forslag. Sammenlign de understøttende beregninger eller den foreslåede patch med de angivne betingelser og faktiske resultater.
Implementering og værktøjer
Producentens eksempler understøtter udviklings- og værktøjsforløb og anbefaler Qwen-Agent til værktøjsskabeloner og parsing med konfigurerede eller MCP-tilsluttede værktøjer. Definér de tilladte værktøjer, opgavemålet og den observerbare betingelse for færdiggørelse. Applikationen udfører eksterne handlinger og returnerer faktiske observationer; modellen kan derefter bruge feedbacken i sit næste svar.
Multi-token prediction indgår i træningen, men brugen ved inferens afhænger af implementeringen og er ikke generelt tilgængelig i ethvert letvægtsforløb. Bevar denne forskel ved vurdering af en installation. Værktøjs- eller arkitekturevner alene fastslår ikke adgang til filer, aktuelle kilder eller et eksekveringsmiljø gennem en anden applikation.
Ultralang tekst
Den dokumenterede udvidelse bruger YaRN. Producenten validerer en kontekst på cirka en million tokens og giver en opskrift med faktor fire baseret på de indbyggede 262,144 positioner; til arbejdsbelastninger på 524,288 tokens foreslås en faktor på to. Statisk skalering kan påvirke ydeevnen på kortere tekst og bør derfor følge det faktiske behov for længere input.
Organisér stort input med dokumentgrænser og kode- eller afsnitsidentifikatorer. Angiv spørgsmålet og den forventede leverance, så modellen kan forbinde relevant dokumentation frem for at behandle hele vinduet som erstatning for en klar opgave. Reservér plads til dens potentielt lange ræsonnementer og det endelige resultat.
Genereringsvejledning
Best Practices anbefaler temperature 0.6, top_p 0.95, 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. Qwen anbefaler et genereringsbudget på 32,768 tokens til de fleste spørgsmål og 81,920 til usædvanligt komplekse matematik- eller programmeringsopgaver. Det er anbefalinger frem for selvstændige hårde outputgrænser.
Angiv formatet for det endelige svar udtrykkeligt, eksempelvis et afgrænset matematisk resultat eller et svarfelt. Producenten anbefaler at bevare endelige output uden tænkningsindhold i tidligere assistentbeskeder efter dette checkpoints skabelon. Senere modellers muligheder for bevarelse af tidligere ræsonnementer bør ikke overtages automatisk.
Væsentlige begrænsninger
Dette er en model, der kun håndterer tekst. Billeder, lyd eller video kræver en egnet særskilt repræsentation, før de kan fungere som dokumentation i dette forløb. Lang tænkning og kontekst er begrænsede ressourcer, og detaljerede ræsonnementer beviser ikke selvstændigt et korrekt resultat. Kontrollér antagelser, beregninger og genereret kode mod den leverede kilde. Det nyttige resultat er et svar eller en leverance, der kan gennemgås, hvis dokumentation forbliver synlig, og hvis identitet med kun tænkning bevares.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3-next-80b-a3b-thinking | 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 $0.0003 / 1K tokens Output · Outputtokens $0.0024 / 1K tokens Input · Cachelæsning — / 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 $0.0003 / 1K tokens Output · Outputtokens $0.0024 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-next-80b-a3b-thinking", "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-thinking',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-thinking',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-thinking
Brug metodestierne vist ovenfor.
qwen/qwen3-next-80b-a3b-thinkingQwen3-Next-80B-A3B-Thinking er Qwens tekstræsonnementsmodel med 80 milliarder parametre i alt, hvoraf 3 milliarder aktiveres. Den bruger udelukkende tænkning, hybrid attention og sparsomme eksperter til komplekse opgaver med en indbygget kontekst på 262,144 tokens og betinget udvidelse til 1,010,000.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3-Nexts styrker: komplekst tekstræsonnement
Qwen3-Next-80B-A3B-Thinking er tekstudgaven af Qwen3-Next, der kun bruger tænkning. Producenten anbefaler den til meget komplekse ræsonnementsopgaver og bemærker, at dens tænkning kan være længere end i tidligere modeller. Den modtager tekst og returnerer tekst, herunder et forklaret svar eller et kodeforslag. Hold den adskilt fra Qwen3-Next-80B-A3B-Instruct og Qwen3-Coder-Next, som har andre kontrakter uden tænkning.
Familien indfører hybrid attention, som kombinerer Gated DeltaNet og gated attention, meget sparsomme eksperter, stabilitetsteknikker såsom nulcentreret og vægtdecayet layer normalization samt multi-token prediction. Qwen beskriver også stabilisering af forstærkningslæring gennem GSPO. Det er trænings- og arkitekturegenskaber; effektivitetsgevinster afhænger af implementeringen og bør ikke blive en universel påstand om svartid.
Modeloverblik
Modellen har 80 milliarder parametre i alt og aktiverer tre milliarder. Den har 48 lag i et 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. Kildetekst, tidligere beskeder, værktøjsobservationer, ræsonnementer og endeligt output deler det konfigurerede sekvensbudget. Til kompleks tænkning anbefaler producenten om muligt en konfigureret kontekst større end 131,072, selv om et mindre vindue ville reducere hukommelsespresset.
Brug af grænsefladen med kun tænkning
Standardchatskabelonen indeholder allerede den indledende tænkningsmarkør. En returneret sekvens kan derfor indeholde slutmarkøren uden at gentage startmarkøren. Det er normal formatering i producentens opskrift, ikke tegn på, at ræsonnementerne mangler. Modellen understøtter kun tænkningsmodus; en anmodning om et kort endeligt svar gør den ikke til en udgave uden tænkning.
Til et matematisk eller logisk problem skal du give hele opgaveteksten, definitioner, enheder og tilladte antagelser. Bed om et klart afgrænset endeligt svar med de understøttende trin, der kræves for at kontrollere det. Til koderæsonnement skal du levere relevant funktion, input og tilsigtet adfærd og derefter bede om et forklaret forslag. Sammenlign de understøttende beregninger eller den foreslåede patch med de angivne betingelser og faktiske resultater.
Implementering og værktøjer
Producentens eksempler understøtter udviklings- og værktøjsforløb og anbefaler Qwen-Agent til værktøjsskabeloner og parsing med konfigurerede eller MCP-tilsluttede værktøjer. Definér de tilladte værktøjer, opgavemålet og den observerbare betingelse for færdiggørelse. Applikationen udfører eksterne handlinger og returnerer faktiske observationer; modellen kan derefter bruge feedbacken i sit næste svar.
Multi-token prediction indgår i træningen, men brugen ved inferens afhænger af implementeringen og er ikke generelt tilgængelig i ethvert letvægtsforløb. Bevar denne forskel ved vurdering af en installation. Værktøjs- eller arkitekturevner alene fastslår ikke adgang til filer, aktuelle kilder eller et eksekveringsmiljø gennem en anden applikation.
Ultralang tekst
Den dokumenterede udvidelse bruger YaRN. Producenten validerer en kontekst på cirka en million tokens og giver en opskrift med faktor fire baseret på de indbyggede 262,144 positioner; til arbejdsbelastninger på 524,288 tokens foreslås en faktor på to. Statisk skalering kan påvirke ydeevnen på kortere tekst og bør derfor følge det faktiske behov for længere input.
Organisér stort input med dokumentgrænser og kode- eller afsnitsidentifikatorer. Angiv spørgsmålet og den forventede leverance, så modellen kan forbinde relevant dokumentation frem for at behandle hele vinduet som erstatning for en klar opgave. Reservér plads til dens potentielt lange ræsonnementer og det endelige resultat.
Genereringsvejledning
Best Practices anbefaler temperature 0.6, top_p 0.95, 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. Qwen anbefaler et genereringsbudget på 32,768 tokens til de fleste spørgsmål og 81,920 til usædvanligt komplekse matematik- eller programmeringsopgaver. Det er anbefalinger frem for selvstændige hårde outputgrænser.
Angiv formatet for det endelige svar udtrykkeligt, eksempelvis et afgrænset matematisk resultat eller et svarfelt. Producenten anbefaler at bevare endelige output uden tænkningsindhold i tidligere assistentbeskeder efter dette checkpoints skabelon. Senere modellers muligheder for bevarelse af tidligere ræsonnementer bør ikke overtages automatisk.
Væsentlige begrænsninger
Dette er en model, der kun håndterer tekst. Billeder, lyd eller video kræver en egnet særskilt repræsentation, før de kan fungere som dokumentation i dette forløb. Lang tænkning og kontekst er begrænsede ressourcer, og detaljerede ræsonnementer beviser ikke selvstændigt et korrekt resultat. Kontrollér antagelser, beregninger og genereret kode mod den leverede kilde. Det nyttige resultat er et svar eller en leverance, der kan gennemgås, hvis dokumentation forbliver synlig, og hvis identitet med kun tænkning bevares.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen/qwen3-next-80b-a3b-thinking | 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 $0.0003 / 1K tokens Output · Outputtokens $0.0024 / 1K tokens Input · Cachelæsning — / 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 $0.0003 / 1K tokens Output · Outputtokens $0.0024 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen/qwen3-next-80b-a3b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-thinking', '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-thinking', '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-thinking
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Identify what a logic puzzle actually determines\n\nExactly one of A, B and C took a key, and exactly one statement is true. A says, 'B took it.' B says, 'C took it.' C says, 'I did not take it.' Determine every possible culprit consistent with these premises. Show a truth table and state whether the culprit is uniquely determined.A three-case truth table and the complete set of consistent culprits with a uniqueness conclusion.The table checks exactly one true statement in each candidate case and preserves multiple solutions if the premises allow them.