Qwen3-0.6B leverer Qwen3s hybride tekstgrænseflade i en tæt model med 0.6 milliarder parametre. Familiens funktioner omfatter instruktionsfølgning, flersproget samtale, kreativ skrivning, rollebaseret interaktion, matematik, kode og logisk ræsonnering. Tænkning og almindelig generering er tilgængelige i denne samme udgivelse. Den kompakte størrelse identificerer checkpointet frem for et andet inputformat eller et erstatningsnavn for en større Qwen3-model.
Modellen har 0.44 milliarder parametre uden for embeddings og 28 lag med 16 forespørgselshoveder og otte nøgle-/værdihoveder i grouped-query attention. Det præcise kort dokumenterer 32,768 konteksttokens. Både indgående tekst og genereret indhold optager plads i modellens sekvens, så reservér plads til svaret, når du samler instruktioner og eksempler. Denne udgivelses kort dokumenterer ikke opsætningen med udvidet kontekst, der er medtaget på nogle større Qwen3-kort. En praktisk første opgave er én kort, klart defineret operation, hvis output kan sammenlignes direkte med kilden.
Brug producentens angivne chatskabelon til at præsentere instruktionen og materialet. Giv eksempelvis en kort servicenote, og bed om en kundevendt besked, der bevarer aftaledatoen og produktnavnet uændret. Angiv den tilsigtede læser, tonen og den maksimalt ønskede længde. Til en opgave med valg af etiketter skal du angive de tilladte etiketter med definitioner og medtage et tvetydigt eksempel, der viser, hvordan usikkerhed skal rapporteres. Bed kun om etiketten og det tilsvarende tekstudsnit fra inputtet. Det er konkrete outputkrav frem for en påstand om, at modellen altid vil opfylde dem uden kontrol. Den offentliggjorte integration forudsætter et runtime-miljø med Qwen3-understøttelse; kortet advarer om, at Transformers-versioner under 4.51.0 ikke genkender den nødvendige arkitektur.
Den medsendte skabelon bruger som standard tænkning. En hård indstilling uden tænkning undertrykker ræsonneringsafsnittet; hvis tænkning forbliver aktiveret, kan /think og /no_think styre tilstanden mellem samtaleture med den seneste instruktion som afgørende. En hård deaktivering har forrang frem for disse bløde prompts. Vælg den indstilling, der passer til operationen: en simpel ændring af godkendt formulering kan bruge et direkte svar, mens en forklaring af, hvorfor en betingelse gælder, kan kræve ræsonnering. Gem det endelige svar frem for et tidligere ræsonneringsafsnit som samtalehistorik. Når tænkning er aktiveret, bevarer selv en blød anmodning uden tænkning en ræsonneringsblok; dens indhold kan være tomt. Hård deaktivering fjerner blokken.
Modelkortet beskriver værktøjsorienteret agentbrug og anbefaler Qwen-Agent til skabeloner og parsing. Til en lille ordlisteassistent kunne applikationen eksponere ét skrivebeskyttet opslag, validere dets argumenter, udføre det og returnere posten. Modellen kan derefter forklare begrebet i brugerens ønskede stil. Definér værktøjsresultatet og håndteringen af en manglende post på forhånd. En genereret værktøjsanmodning skal håndteres som en anmodning, hvor applikationen bevarer ansvaret for udførelsen og den returnerede dokumentation. Qwen3-vejledningen beskriver også parallelle værktøjskald og værktøjskald i flere trin med argumenter repræsenteret som objekter og resultater leveret tilbage til samtalen.
Den offentliggjorte quickstart og outputlængderne i best practice er vejledning til generering frem for et separat garanteret API-loft. Ved en afgrænset operation skal du vælge en kompakt slutpost, såsom en omskrevet sætning sammen med de uændrede navne eller en etiket og den tekst, der understøtter den. Kontrollér posten mod det medsendte materiale. Hvis opgaven vokser til en lang forklaring, skal du evaluere det længere resultat på samme type faktisk input frem for at antage, at modellens kompakte identitet dokumenterer dens præcision eller svarkvalitet. Qwen3-dokumentationen omtaler i sin forklaring af træningslængde assistentbeskeder på 38,912 tokens i tænkningstilstand og 16,384 i tilstand uden tænkning og anbefaler at evaluere kvaliteten af længere generering. Disse tal er adskilt fra det samlede kontekstvindue og er ikke et endpointspecifikt hårdt loft.
Netop dette kort tilføjer råd ved væsentlige gentagelser: brug den anbefalede samplingopsætning, og overvej presence_penalty 1.5. Stærkere penalties kan medføre sprogblanding eller et fald i ydeevnen. Tænkningstilstand kombineres med temperature 0.6, top-p 0.95, top-k 20 og min-p 0; uden tænkning med temperature 0.7, top-p 0.8, top-k 20 og min-p 0. Producenten advarer mod greedy decoding i tænkningstilstand. Undersøg gentagne formuleringer, bevarede navne og den valgte etiket; afvis en fejlformet post frem for at behandle læselig prosa som bevis for, at det krævede format blev fulgt.
", "aboutText": "Qwen3-0.6B leverer Qwen3s hybride tekstgrænseflade i en tæt model med 0.6 milliarder parametre. Familiens funktioner omfatter instruktionsfølgning, flersproget samtale, kreativ skrivning, rollebaseret interaktion, matematik, kode og logisk ræsonnering. Tænkning og almindelig generering er tilgængelige i denne samme udgivelse. Den kompakte størrelse identificerer checkpointet frem for et andet inputformat eller et erstatningsnavn for en større Qwen3-model.\n\nModellen har 0.44 milliarder parametre uden for embeddings og 28 lag med 16 forespørgselshoveder og otte nøgle-/værdihoveder i grouped-query attention. Det præcise kort dokumenterer 32,768 konteksttokens. Både indgående tekst og genereret indhold optager plads i modellens sekvens, så reservér plads til svaret, når du samler instruktioner og eksempler. Denne udgivelses kort dokumenterer ikke opsætningen med udvidet kontekst, der er medtaget på nogle større Qwen3-kort. En praktisk første opgave er én kort, klart defineret operation, hvis output kan sammenlignes direkte med kilden.\n\nBrug producentens angivne chatskabelon til at præsentere instruktionen og materialet. Giv eksempelvis en kort servicenote, og bed om en kundevendt besked, der bevarer aftaledatoen og produktnavnet uændret. Angiv den tilsigtede læser, tonen og den maksimalt ønskede længde. Til en opgave med valg af etiketter skal du angive de tilladte etiketter med definitioner og medtage et tvetydigt eksempel, der viser, hvordan usikkerhed skal rapporteres. Bed kun om etiketten og det tilsvarende tekstudsnit fra inputtet. Det er konkrete outputkrav frem for en påstand om, at modellen altid vil opfylde dem uden kontrol. Den offentliggjorte integration forudsætter et runtime-miljø med Qwen3-understøttelse; kortet advarer om, at Transformers-versioner under 4.51.0 ikke genkender den nødvendige arkitektur.\n\nDen medsendte skabelon bruger som standard tænkning. En hård indstilling uden tænkning undertrykker ræsonneringsafsnittet; hvis tænkning forbliver aktiveret, kan /think og /no_think styre tilstanden mellem samtaleture med den seneste instruktion som afgørende. En hård deaktivering har forrang frem for disse bløde prompts. Vælg den indstilling, der passer til operationen: en simpel ændring af godkendt formulering kan bruge et direkte svar, mens en forklaring af, hvorfor en betingelse gælder, kan kræve ræsonnering. Gem det endelige svar frem for et tidligere ræsonneringsafsnit som samtalehistorik. Når tænkning er aktiveret, bevarer selv en blød anmodning uden tænkning en ræsonneringsblok; dens indhold kan være tomt. Hård deaktivering fjerner blokken.\n\nModelkortet beskriver værktøjsorienteret agentbrug og anbefaler Qwen-Agent til skabeloner og parsing. Til en lille ordlisteassistent kunne applikationen eksponere ét skrivebeskyttet opslag, validere dets argumenter, udføre det og returnere posten. Modellen kan derefter forklare begrebet i brugerens ønskede stil. Definér værktøjsresultatet og håndteringen af en manglende post på forhånd. En genereret værktøjsanmodning skal håndteres som en anmodning, hvor applikationen bevarer ansvaret for udførelsen og den returnerede dokumentation. Qwen3-vejledningen beskriver også parallelle værktøjskald og værktøjskald i flere trin med argumenter repræsenteret som objekter og resultater leveret tilbage til samtalen.\n\nDen offentliggjorte quickstart og outputlængderne i best practice er vejledning til generering frem for et separat garanteret API-loft. Ved en afgrænset operation skal du vælge en kompakt slutpost, såsom en omskrevet sætning sammen med de uændrede navne eller en etiket og den tekst, der understøtter den. Kontrollér posten mod det medsendte materiale. Hvis opgaven vokser til en lang forklaring, skal du evaluere det længere resultat på samme type faktisk input frem for at antage, at modellens kompakte identitet dokumenterer dens præcision eller svarkvalitet. Qwen3-dokumentationen omtaler i sin forklaring af træningslængde assistentbeskeder på 38,912 tokens i tænkningstilstand og 16,384 i tilstand uden tænkning og anbefaler at evaluere kvaliteten af længere generering. Disse tal er adskilt fra det samlede kontekstvindue og er ikke et endpointspecifikt hårdt loft.\n\nNetop dette kort tilføjer råd ved væsentlige gentagelser: brug den anbefalede samplingopsætning, og overvej presence_penalty 1.5. Stærkere penalties kan medføre sprogblanding eller et fald i ydeevnen. Tænkningstilstand kombineres med temperature 0.6, top-p 0.95, top-k 20 og min-p 0; uden tænkning med temperature 0.7, top-p 0.8, top-k 20 og min-p 0. Producenten advarer mod greedy decoding i tænkningstilstand. Undersøg gentagne formuleringer, bevarede navne og den valgte etiket; afvis en fejlformet post frem for at behandle læselig prosa som bevis for, at det krævede format blev fulgt.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
A single focused appointment rewrite\n\nRewrite this note as one friendly sentence for a customer, using at most 25 words: 'Appointment for Polar Fan repair: 14 June, 09:30. Bring the purchase receipt.' Preserve the product name, date, time and receipt instruction. Return only the sentence, with no heading or additional details.One customer-facing sentence of at most 25 words retaining all four facts.Polar Fan, 14 June and 09:30 remain exact, and the receipt instruction is present.qwen3-0.6bQwen3-0.6B er den mindste tætte udgivelse i dette Qwen3-sæt med 0.6 milliarder parametre. Den håndterer tekstinstruktioner og flersproget dialog gennem direkte tilstand og tænkningstilstand med en udgavespecifik kontekst på 32,768 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3-0.6B leverer Qwen3s hybride tekstgrænseflade i en tæt model med 0.6 milliarder parametre. Familiens funktioner omfatter instruktionsfølgning, flersproget samtale, kreativ skrivning, rollebaseret interaktion, matematik, kode og logisk ræsonnering. Tænkning og almindelig generering er tilgængelige i denne samme udgivelse. Den kompakte størrelse identificerer checkpointet frem for et andet inputformat eller et erstatningsnavn for en større Qwen3-model.
Modellen har 0.44 milliarder parametre uden for embeddings og 28 lag med 16 forespørgselshoveder og otte nøgle-/værdihoveder i grouped-query attention. Det præcise kort dokumenterer 32,768 konteksttokens. Både indgående tekst og genereret indhold optager plads i modellens sekvens, så reservér plads til svaret, når du samler instruktioner og eksempler. Denne udgivelses kort dokumenterer ikke opsætningen med udvidet kontekst, der er medtaget på nogle større Qwen3-kort. En praktisk første opgave er én kort, klart defineret operation, hvis output kan sammenlignes direkte med kilden.
Brug producentens angivne chatskabelon til at præsentere instruktionen og materialet. Giv eksempelvis en kort servicenote, og bed om en kundevendt besked, der bevarer aftaledatoen og produktnavnet uændret. Angiv den tilsigtede læser, tonen og den maksimalt ønskede længde. Til en opgave med valg af etiketter skal du angive de tilladte etiketter med definitioner og medtage et tvetydigt eksempel, der viser, hvordan usikkerhed skal rapporteres. Bed kun om etiketten og det tilsvarende tekstudsnit fra inputtet. Det er konkrete outputkrav frem for en påstand om, at modellen altid vil opfylde dem uden kontrol. Den offentliggjorte integration forudsætter et runtime-miljø med Qwen3-understøttelse; kortet advarer om, at Transformers-versioner under 4.51.0 ikke genkender den nødvendige arkitektur.
Den medsendte skabelon bruger som standard tænkning. En hård indstilling uden tænkning undertrykker ræsonneringsafsnittet; hvis tænkning forbliver aktiveret, kan /think og /no_think styre tilstanden mellem samtaleture med den seneste instruktion som afgørende. En hård deaktivering har forrang frem for disse bløde prompts. Vælg den indstilling, der passer til operationen: en simpel ændring af godkendt formulering kan bruge et direkte svar, mens en forklaring af, hvorfor en betingelse gælder, kan kræve ræsonnering. Gem det endelige svar frem for et tidligere ræsonneringsafsnit som samtalehistorik. Når tænkning er aktiveret, bevarer selv en blød anmodning uden tænkning en ræsonneringsblok; dens indhold kan være tomt. Hård deaktivering fjerner blokken.
Modelkortet beskriver værktøjsorienteret agentbrug og anbefaler Qwen-Agent til skabeloner og parsing. Til en lille ordlisteassistent kunne applikationen eksponere ét skrivebeskyttet opslag, validere dets argumenter, udføre det og returnere posten. Modellen kan derefter forklare begrebet i brugerens ønskede stil. Definér værktøjsresultatet og håndteringen af en manglende post på forhånd. En genereret værktøjsanmodning skal håndteres som en anmodning, hvor applikationen bevarer ansvaret for udførelsen og den returnerede dokumentation. Qwen3-vejledningen beskriver også parallelle værktøjskald og værktøjskald i flere trin med argumenter repræsenteret som objekter og resultater leveret tilbage til samtalen.
Den offentliggjorte quickstart og outputlængderne i best practice er vejledning til generering frem for et separat garanteret API-loft. Ved en afgrænset operation skal du vælge en kompakt slutpost, såsom en omskrevet sætning sammen med de uændrede navne eller en etiket og den tekst, der understøtter den. Kontrollér posten mod det medsendte materiale. Hvis opgaven vokser til en lang forklaring, skal du evaluere det længere resultat på samme type faktisk input frem for at antage, at modellens kompakte identitet dokumenterer dens præcision eller svarkvalitet. Qwen3-dokumentationen omtaler i sin forklaring af træningslængde assistentbeskeder på 38,912 tokens i tænkningstilstand og 16,384 i tilstand uden tænkning og anbefaler at evaluere kvaliteten af længere generering. Disse tal er adskilt fra det samlede kontekstvindue og er ikke et endpointspecifikt hårdt loft.
Netop dette kort tilføjer råd ved væsentlige gentagelser: brug den anbefalede samplingopsætning, og overvej presence_penalty 1.5. Stærkere penalties kan medføre sprogblanding eller et fald i ydeevnen. Tænkningstilstand kombineres med temperature 0.6, top-p 0.95, top-k 20 og min-p 0; uden tænkning med temperature 0.7, top-p 0.8, top-k 20 og min-p 0. Producenten advarer mod greedy decoding i tænkningstilstand. Undersøg gentagne formuleringer, bevarede navne og den valgte etiket; afvis en fejlformet post frem for at behandle læselig prosa som bevis for, at det krævede format blev fulgt.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen3-0.6b | 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.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.0001 / 1K tokens Output · Outputtokens $0.001 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen3-0.6b", "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='qwen3-0.6b',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='qwen3-0.6b',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 qwen3-0.6b
Brug metodestierne vist ovenfor.
qwen3-0.6bQwen3-0.6B er den mindste tætte udgivelse i dette Qwen3-sæt med 0.6 milliarder parametre. Den håndterer tekstinstruktioner og flersproget dialog gennem direkte tilstand og tænkningstilstand med en udgavespecifik kontekst på 32,768 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3-0.6B leverer Qwen3s hybride tekstgrænseflade i en tæt model med 0.6 milliarder parametre. Familiens funktioner omfatter instruktionsfølgning, flersproget samtale, kreativ skrivning, rollebaseret interaktion, matematik, kode og logisk ræsonnering. Tænkning og almindelig generering er tilgængelige i denne samme udgivelse. Den kompakte størrelse identificerer checkpointet frem for et andet inputformat eller et erstatningsnavn for en større Qwen3-model.
Modellen har 0.44 milliarder parametre uden for embeddings og 28 lag med 16 forespørgselshoveder og otte nøgle-/værdihoveder i grouped-query attention. Det præcise kort dokumenterer 32,768 konteksttokens. Både indgående tekst og genereret indhold optager plads i modellens sekvens, så reservér plads til svaret, når du samler instruktioner og eksempler. Denne udgivelses kort dokumenterer ikke opsætningen med udvidet kontekst, der er medtaget på nogle større Qwen3-kort. En praktisk første opgave er én kort, klart defineret operation, hvis output kan sammenlignes direkte med kilden.
Brug producentens angivne chatskabelon til at præsentere instruktionen og materialet. Giv eksempelvis en kort servicenote, og bed om en kundevendt besked, der bevarer aftaledatoen og produktnavnet uændret. Angiv den tilsigtede læser, tonen og den maksimalt ønskede længde. Til en opgave med valg af etiketter skal du angive de tilladte etiketter med definitioner og medtage et tvetydigt eksempel, der viser, hvordan usikkerhed skal rapporteres. Bed kun om etiketten og det tilsvarende tekstudsnit fra inputtet. Det er konkrete outputkrav frem for en påstand om, at modellen altid vil opfylde dem uden kontrol. Den offentliggjorte integration forudsætter et runtime-miljø med Qwen3-understøttelse; kortet advarer om, at Transformers-versioner under 4.51.0 ikke genkender den nødvendige arkitektur.
Den medsendte skabelon bruger som standard tænkning. En hård indstilling uden tænkning undertrykker ræsonneringsafsnittet; hvis tænkning forbliver aktiveret, kan /think og /no_think styre tilstanden mellem samtaleture med den seneste instruktion som afgørende. En hård deaktivering har forrang frem for disse bløde prompts. Vælg den indstilling, der passer til operationen: en simpel ændring af godkendt formulering kan bruge et direkte svar, mens en forklaring af, hvorfor en betingelse gælder, kan kræve ræsonnering. Gem det endelige svar frem for et tidligere ræsonneringsafsnit som samtalehistorik. Når tænkning er aktiveret, bevarer selv en blød anmodning uden tænkning en ræsonneringsblok; dens indhold kan være tomt. Hård deaktivering fjerner blokken.
Modelkortet beskriver værktøjsorienteret agentbrug og anbefaler Qwen-Agent til skabeloner og parsing. Til en lille ordlisteassistent kunne applikationen eksponere ét skrivebeskyttet opslag, validere dets argumenter, udføre det og returnere posten. Modellen kan derefter forklare begrebet i brugerens ønskede stil. Definér værktøjsresultatet og håndteringen af en manglende post på forhånd. En genereret værktøjsanmodning skal håndteres som en anmodning, hvor applikationen bevarer ansvaret for udførelsen og den returnerede dokumentation. Qwen3-vejledningen beskriver også parallelle værktøjskald og værktøjskald i flere trin med argumenter repræsenteret som objekter og resultater leveret tilbage til samtalen.
Den offentliggjorte quickstart og outputlængderne i best practice er vejledning til generering frem for et separat garanteret API-loft. Ved en afgrænset operation skal du vælge en kompakt slutpost, såsom en omskrevet sætning sammen med de uændrede navne eller en etiket og den tekst, der understøtter den. Kontrollér posten mod det medsendte materiale. Hvis opgaven vokser til en lang forklaring, skal du evaluere det længere resultat på samme type faktisk input frem for at antage, at modellens kompakte identitet dokumenterer dens præcision eller svarkvalitet. Qwen3-dokumentationen omtaler i sin forklaring af træningslængde assistentbeskeder på 38,912 tokens i tænkningstilstand og 16,384 i tilstand uden tænkning og anbefaler at evaluere kvaliteten af længere generering. Disse tal er adskilt fra det samlede kontekstvindue og er ikke et endpointspecifikt hårdt loft.
Netop dette kort tilføjer råd ved væsentlige gentagelser: brug den anbefalede samplingopsætning, og overvej presence_penalty 1.5. Stærkere penalties kan medføre sprogblanding eller et fald i ydeevnen. Tænkningstilstand kombineres med temperature 0.6, top-p 0.95, top-k 20 og min-p 0; uden tænkning med temperature 0.7, top-p 0.8, top-k 20 og min-p 0. Producenten advarer mod greedy decoding i tænkningstilstand. Undersøg gentagne formuleringer, bevarede navne og den valgte etiket; afvis en fejlformet post frem for at behandle læselig prosa som bevis for, at det krævede format blev fulgt.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen3-0.6b | 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.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.0001 / 1K tokens Output · Outputtokens $0.001 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen3-0.6b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-0.6b', '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': 'qwen3-0.6b', '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 qwen3-0.6b
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
A single focused appointment rewrite\n\nRewrite this note as one friendly sentence for a customer, using at most 25 words: 'Appointment for Polar Fan repair: 14 June, 09:30. Bring the purchase receipt.' Preserve the product name, date, time and receipt instruction. Return only the sentence, with no heading or additional details.One customer-facing sentence of at most 25 words retaining all four facts.Polar Fan, 14 June and 09:30 remain exact, and the receipt instruction is present.