Qwen3-235B-A22B bringer Qwen3s hybride tilgang til ræsonnering til en stor mixture-of-experts-model. Dens tekstfunktioner dækker matematiske og logiske problemer, kodegenerering, kreativ skrivning, rollebaserede samtaler og instruktionsfølgning over flere samtaleture. Den arbejder på mere end 100 sprog og dialekter. Til en drøftelse af produktudvikling skal du angive kravene, et konkret eksempel og den beslutning, du har brug for: en designsammenligning, en implementering eller en forklaring, som en bestemt målgruppe kan bruge.
Modellen har i alt 235 milliarder parametre og aktiverer 22 milliarder under behandling. Arkitekturen indeholder 128 eksperter, udvælger otte af dem og har 94 lag. Disse tal identificerer denne udgivelse; de mindre Qwen3-modeller og FP8-udgaven har separate identiteter. Input og output er tekst. En passende teknisk opgave er at sammenligne to afstemningsalgoritmer med de samme eksempelposter, identificere de begrænsninger, hver opfylder, og returnere den valgte algoritme med testtilfælde. Angiv de faktiske feltnavne, reglerne for dublethåndtering og de forventede totaler, så svaret kan kontrolleres mod det oprindelige problem.
Forbered anmodningen som chatbeskeder, og hold kildemateriale adskilt fra instruktioner. Til et matematisk spørgsmål skal du medtage hele formuleringen, tilladte forudsætninger og notation og derefter bede om et endeligt svar i en angivet form. Til kode skal du medtage den relevante funktion, sproget, repræsentativt input og den observerede fejl. Bed om den mindste begrundede ændring, og beskriv, hvilken eksisterende adfærd der skal bevares. Til flersproget skrivning skal du angive målgruppen og en terminologiliste frem for at bede om en generisk oversættelse. 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.
Tænkning og ikke-tænkning er tilstande i denne samme model. Producentens chatskabelon aktiverer tænkning som standard; en hård kontakt kan deaktivere den. Når tænkning forbliver aktiveret, giver /think og /no_think styring på samtaleturniveau, hvor den seneste instruktion har forrang. En hårdt deaktiveret tilstand reagerer ikke på disse bløde kontakter. I en udviklergrænseflade skal du holde det endelige svar adskilt fra ræsonneringsafsnittet og føre det endelige svar videre til den efterfølgende samtalehistorik. Vælg tilstanden bevidst: en uenighed om en algoritme og en kort omskrivning kræver forskellige mængder analyse. Når tænkning er aktiveret, bevarer selv en blød anmodning uden tænkning en ræsonneringsblok; dens indhold kan være tomt. Hård deaktivering fjerner blokken.
Til agentarbejdsgange anbefaler producenten Qwen-Agent til værktøjsskabeloner og parsing. Værktøjer kan omfatte tilsluttede tjenester eller en kodefortolker; applikationen definerer og udfører dem. Giv eksempelvis en assistent et skrivebeskyttet lageropslag med dokumenterede felter, og bed den sammenligne den returnerede lagerbeholdning med den medsendte ordre. Definér værktøjets formål, accepterede argumenter, resultatform og tilladelsesgrænse. Kræv, at det endelige svar skelner mellem en foreslået handling og et bekræftet værktøjsresultat. Modellens værktøjsrelaterede funktioner får ikke i sig selv en ekstern handling til at ske. Qwen3-vejledningen beskriver også parallelle værktøjskald og værktøjskald i flere trin med argumenter repræsenteret som objekter og resultater leveret tilbage til samtalen.
Den oprindelige kontekst er 32,768 tokens. Producenten validerer 131,072 tokens med YaRN-udvidelse; dette afhænger af konfigurationen, og statisk skalering kan påvirke kortere input. Kontekstbudgettet omfatter både anmodning og genereret svar. Til en lang specifikation skal du identificere de afsnit, der er relevante for beslutningen, mærke dem og reservere plads til svaret frem for at fylde hele budgettet med kildetekst. Kortet anbefaler 32,768 outputtokens til de fleste forespørgsler frem for at erklære denne værdi som en universel tjenestegrænse. 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. Kortet forklarer også sin standardmæssige positionstildeling på 40,960 tokens som 8,192 til typiske prompts plus 32,768 til output; det er producentens konfigurationsvejledning, adskilt fra den oprindelige træningskontekst og enhver endpointgrænse.
Anbefalet sampling i tænkningstilstand er temperature 0.6, top-p 0.95, top-k 20 og min-p 0; uden tænkning bruges 0.7, 0.8, 20 og 0. Producenten anbefaler samplingbaseret afkodning og advarer om, at greedy decoding i tænkningstilstand kan medføre gentagelser. Højere presence penalties kan også introducere sprogblanding. Gør resultatet let at gennemgå: bed om et navngivet felt til det endelige svar, en beslutningstabel med begrundelser eller en kodepatch samt eksempler. Kontrollér beregninger mod de medsendte tal, kør foreslået kode i det tilsigtede miljø, og gennemgå værktøjsresultater, før du handler.
", "aboutText": "Qwen3-235B-A22B bringer Qwen3s hybride tilgang til ræsonnering til en stor mixture-of-experts-model. Dens tekstfunktioner dækker matematiske og logiske problemer, kodegenerering, kreativ skrivning, rollebaserede samtaler og instruktionsfølgning over flere samtaleture. Den arbejder på mere end 100 sprog og dialekter. Til en drøftelse af produktudvikling skal du angive kravene, et konkret eksempel og den beslutning, du har brug for: en designsammenligning, en implementering eller en forklaring, som en bestemt målgruppe kan bruge.\n\nModellen har i alt 235 milliarder parametre og aktiverer 22 milliarder under behandling. Arkitekturen indeholder 128 eksperter, udvælger otte af dem og har 94 lag. Disse tal identificerer denne udgivelse; de mindre Qwen3-modeller og FP8-udgaven har separate identiteter. Input og output er tekst. En passende teknisk opgave er at sammenligne to afstemningsalgoritmer med de samme eksempelposter, identificere de begrænsninger, hver opfylder, og returnere den valgte algoritme med testtilfælde. Angiv de faktiske feltnavne, reglerne for dublethåndtering og de forventede totaler, så svaret kan kontrolleres mod det oprindelige problem.\n\nForbered anmodningen som chatbeskeder, og hold kildemateriale adskilt fra instruktioner. Til et matematisk spørgsmål skal du medtage hele formuleringen, tilladte forudsætninger og notation og derefter bede om et endeligt svar i en angivet form. Til kode skal du medtage den relevante funktion, sproget, repræsentativt input og den observerede fejl. Bed om den mindste begrundede ændring, og beskriv, hvilken eksisterende adfærd der skal bevares. Til flersproget skrivning skal du angive målgruppen og en terminologiliste frem for at bede om en generisk oversættelse. 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\nTænkning og ikke-tænkning er tilstande i denne samme model. Producentens chatskabelon aktiverer tænkning som standard; en hård kontakt kan deaktivere den. Når tænkning forbliver aktiveret, giver /think og /no_think styring på samtaleturniveau, hvor den seneste instruktion har forrang. En hårdt deaktiveret tilstand reagerer ikke på disse bløde kontakter. I en udviklergrænseflade skal du holde det endelige svar adskilt fra ræsonneringsafsnittet og føre det endelige svar videre til den efterfølgende samtalehistorik. Vælg tilstanden bevidst: en uenighed om en algoritme og en kort omskrivning kræver forskellige mængder analyse. Når tænkning er aktiveret, bevarer selv en blød anmodning uden tænkning en ræsonneringsblok; dens indhold kan være tomt. Hård deaktivering fjerner blokken.\n\nTil agentarbejdsgange anbefaler producenten Qwen-Agent til værktøjsskabeloner og parsing. Værktøjer kan omfatte tilsluttede tjenester eller en kodefortolker; applikationen definerer og udfører dem. Giv eksempelvis en assistent et skrivebeskyttet lageropslag med dokumenterede felter, og bed den sammenligne den returnerede lagerbeholdning med den medsendte ordre. Definér værktøjets formål, accepterede argumenter, resultatform og tilladelsesgrænse. Kræv, at det endelige svar skelner mellem en foreslået handling og et bekræftet værktøjsresultat. Modellens værktøjsrelaterede funktioner får ikke i sig selv en ekstern handling til at ske. Qwen3-vejledningen beskriver også parallelle værktøjskald og værktøjskald i flere trin med argumenter repræsenteret som objekter og resultater leveret tilbage til samtalen.\n\nDen oprindelige kontekst er 32,768 tokens. Producenten validerer 131,072 tokens med YaRN-udvidelse; dette afhænger af konfigurationen, og statisk skalering kan påvirke kortere input. Kontekstbudgettet omfatter både anmodning og genereret svar. Til en lang specifikation skal du identificere de afsnit, der er relevante for beslutningen, mærke dem og reservere plads til svaret frem for at fylde hele budgettet med kildetekst. Kortet anbefaler 32,768 outputtokens til de fleste forespørgsler frem for at erklære denne værdi som en universel tjenestegrænse. 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. Kortet forklarer også sin standardmæssige positionstildeling på 40,960 tokens som 8,192 til typiske prompts plus 32,768 til output; det er producentens konfigurationsvejledning, adskilt fra den oprindelige træningskontekst og enhver endpointgrænse.\n\nAnbefalet sampling i tænkningstilstand er temperature 0.6, top-p 0.95, top-k 20 og min-p 0; uden tænkning bruges 0.7, 0.8, 20 og 0. Producenten anbefaler samplingbaseret afkodning og advarer om, at greedy decoding i tænkningstilstand kan medføre gentagelser. Højere presence penalties kan også introducere sprogblanding. Gør resultatet let at gennemgå: bed om et navngivet felt til det endelige svar, en beslutningstabel med begrundelser eller en kodepatch samt eksempler. Kontrollér beregninger mod de medsendte tal, kør foreslået kode i det tilsigtede miljø, og gennemgå værktøjsresultater, før du handler.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Reconcile duplicate transaction records\n\nCompare two reconciliation rules on these records: (id=A, revision=1, amount=10), (A,2,12), (B,1,5). Rule X sums every row; rule Y keeps the highest revision per ID, then sums. Requirement: one current amount per ID; equal-revision disagreements must be flagged. Choose a rule, propose pseudocode and give tests for duplicates and conflicting ties.A rule comparison, chosen algorithm, expected total for the supplied records and conflict tests.Check the algorithm uses ID plus revision semantics and does not silently choose between conflicting equal revisions.qwen3-235b-a22bQwen3-235B-A22B kombinerer detaljeret ræsonnering og direkte tekstsvar i én mixture-of-experts-model. Brug den til matematisk analyse, kode, flersproget skrivning og assistenter, der arbejder med tilsluttede værktøjer.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3-235B-A22B bringer Qwen3s hybride tilgang til ræsonnering til en stor mixture-of-experts-model. Dens tekstfunktioner dækker matematiske og logiske problemer, kodegenerering, kreativ skrivning, rollebaserede samtaler og instruktionsfølgning over flere samtaleture. Den arbejder på mere end 100 sprog og dialekter. Til en drøftelse af produktudvikling skal du angive kravene, et konkret eksempel og den beslutning, du har brug for: en designsammenligning, en implementering eller en forklaring, som en bestemt målgruppe kan bruge.
Modellen har i alt 235 milliarder parametre og aktiverer 22 milliarder under behandling. Arkitekturen indeholder 128 eksperter, udvælger otte af dem og har 94 lag. Disse tal identificerer denne udgivelse; de mindre Qwen3-modeller og FP8-udgaven har separate identiteter. Input og output er tekst. En passende teknisk opgave er at sammenligne to afstemningsalgoritmer med de samme eksempelposter, identificere de begrænsninger, hver opfylder, og returnere den valgte algoritme med testtilfælde. Angiv de faktiske feltnavne, reglerne for dublethåndtering og de forventede totaler, så svaret kan kontrolleres mod det oprindelige problem.
Forbered anmodningen som chatbeskeder, og hold kildemateriale adskilt fra instruktioner. Til et matematisk spørgsmål skal du medtage hele formuleringen, tilladte forudsætninger og notation og derefter bede om et endeligt svar i en angivet form. Til kode skal du medtage den relevante funktion, sproget, repræsentativt input og den observerede fejl. Bed om den mindste begrundede ændring, og beskriv, hvilken eksisterende adfærd der skal bevares. Til flersproget skrivning skal du angive målgruppen og en terminologiliste frem for at bede om en generisk oversættelse. 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.
Tænkning og ikke-tænkning er tilstande i denne samme model. Producentens chatskabelon aktiverer tænkning som standard; en hård kontakt kan deaktivere den. Når tænkning forbliver aktiveret, giver /think og /no_think styring på samtaleturniveau, hvor den seneste instruktion har forrang. En hårdt deaktiveret tilstand reagerer ikke på disse bløde kontakter. I en udviklergrænseflade skal du holde det endelige svar adskilt fra ræsonneringsafsnittet og føre det endelige svar videre til den efterfølgende samtalehistorik. Vælg tilstanden bevidst: en uenighed om en algoritme og en kort omskrivning kræver forskellige mængder analyse. Når tænkning er aktiveret, bevarer selv en blød anmodning uden tænkning en ræsonneringsblok; dens indhold kan være tomt. Hård deaktivering fjerner blokken.
Til agentarbejdsgange anbefaler producenten Qwen-Agent til værktøjsskabeloner og parsing. Værktøjer kan omfatte tilsluttede tjenester eller en kodefortolker; applikationen definerer og udfører dem. Giv eksempelvis en assistent et skrivebeskyttet lageropslag med dokumenterede felter, og bed den sammenligne den returnerede lagerbeholdning med den medsendte ordre. Definér værktøjets formål, accepterede argumenter, resultatform og tilladelsesgrænse. Kræv, at det endelige svar skelner mellem en foreslået handling og et bekræftet værktøjsresultat. Modellens værktøjsrelaterede funktioner får ikke i sig selv en ekstern handling til at ske. Qwen3-vejledningen beskriver også parallelle værktøjskald og værktøjskald i flere trin med argumenter repræsenteret som objekter og resultater leveret tilbage til samtalen.
Den oprindelige kontekst er 32,768 tokens. Producenten validerer 131,072 tokens med YaRN-udvidelse; dette afhænger af konfigurationen, og statisk skalering kan påvirke kortere input. Kontekstbudgettet omfatter både anmodning og genereret svar. Til en lang specifikation skal du identificere de afsnit, der er relevante for beslutningen, mærke dem og reservere plads til svaret frem for at fylde hele budgettet med kildetekst. Kortet anbefaler 32,768 outputtokens til de fleste forespørgsler frem for at erklære denne værdi som en universel tjenestegrænse. 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. Kortet forklarer også sin standardmæssige positionstildeling på 40,960 tokens som 8,192 til typiske prompts plus 32,768 til output; det er producentens konfigurationsvejledning, adskilt fra den oprindelige træningskontekst og enhver endpointgrænse.
Anbefalet sampling i tænkningstilstand er temperature 0.6, top-p 0.95, top-k 20 og min-p 0; uden tænkning bruges 0.7, 0.8, 20 og 0. Producenten anbefaler samplingbaseret afkodning og advarer om, at greedy decoding i tænkningstilstand kan medføre gentagelser. Højere presence penalties kan også introducere sprogblanding. Gør resultatet let at gennemgå: bed om et navngivet felt til det endelige svar, en beslutningstabel med begrundelser eller en kodepatch samt eksempler. Kontrollér beregninger mod de medsendte tal, kør foreslået kode i det tilsigtede miljø, og gennemgå værktøjsresultater, før du handler.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen3-235b-a22b | 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 $0.00114 / 1K tokens Output · Outputtokens $0.00342 / 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": "qwen3-235b-a22b", "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='qwen3-235b-a22b',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='qwen3-235b-a22b',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 qwen3-235b-a22b
Brug metodestierne vist ovenfor.
qwen3-235b-a22bQwen3-235B-A22B kombinerer detaljeret ræsonnering og direkte tekstsvar i én mixture-of-experts-model. Brug den til matematisk analyse, kode, flersproget skrivning og assistenter, der arbejder med tilsluttede værktøjer.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3-235B-A22B bringer Qwen3s hybride tilgang til ræsonnering til en stor mixture-of-experts-model. Dens tekstfunktioner dækker matematiske og logiske problemer, kodegenerering, kreativ skrivning, rollebaserede samtaler og instruktionsfølgning over flere samtaleture. Den arbejder på mere end 100 sprog og dialekter. Til en drøftelse af produktudvikling skal du angive kravene, et konkret eksempel og den beslutning, du har brug for: en designsammenligning, en implementering eller en forklaring, som en bestemt målgruppe kan bruge.
Modellen har i alt 235 milliarder parametre og aktiverer 22 milliarder under behandling. Arkitekturen indeholder 128 eksperter, udvælger otte af dem og har 94 lag. Disse tal identificerer denne udgivelse; de mindre Qwen3-modeller og FP8-udgaven har separate identiteter. Input og output er tekst. En passende teknisk opgave er at sammenligne to afstemningsalgoritmer med de samme eksempelposter, identificere de begrænsninger, hver opfylder, og returnere den valgte algoritme med testtilfælde. Angiv de faktiske feltnavne, reglerne for dublethåndtering og de forventede totaler, så svaret kan kontrolleres mod det oprindelige problem.
Forbered anmodningen som chatbeskeder, og hold kildemateriale adskilt fra instruktioner. Til et matematisk spørgsmål skal du medtage hele formuleringen, tilladte forudsætninger og notation og derefter bede om et endeligt svar i en angivet form. Til kode skal du medtage den relevante funktion, sproget, repræsentativt input og den observerede fejl. Bed om den mindste begrundede ændring, og beskriv, hvilken eksisterende adfærd der skal bevares. Til flersproget skrivning skal du angive målgruppen og en terminologiliste frem for at bede om en generisk oversættelse. 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.
Tænkning og ikke-tænkning er tilstande i denne samme model. Producentens chatskabelon aktiverer tænkning som standard; en hård kontakt kan deaktivere den. Når tænkning forbliver aktiveret, giver /think og /no_think styring på samtaleturniveau, hvor den seneste instruktion har forrang. En hårdt deaktiveret tilstand reagerer ikke på disse bløde kontakter. I en udviklergrænseflade skal du holde det endelige svar adskilt fra ræsonneringsafsnittet og føre det endelige svar videre til den efterfølgende samtalehistorik. Vælg tilstanden bevidst: en uenighed om en algoritme og en kort omskrivning kræver forskellige mængder analyse. Når tænkning er aktiveret, bevarer selv en blød anmodning uden tænkning en ræsonneringsblok; dens indhold kan være tomt. Hård deaktivering fjerner blokken.
Til agentarbejdsgange anbefaler producenten Qwen-Agent til værktøjsskabeloner og parsing. Værktøjer kan omfatte tilsluttede tjenester eller en kodefortolker; applikationen definerer og udfører dem. Giv eksempelvis en assistent et skrivebeskyttet lageropslag med dokumenterede felter, og bed den sammenligne den returnerede lagerbeholdning med den medsendte ordre. Definér værktøjets formål, accepterede argumenter, resultatform og tilladelsesgrænse. Kræv, at det endelige svar skelner mellem en foreslået handling og et bekræftet værktøjsresultat. Modellens værktøjsrelaterede funktioner får ikke i sig selv en ekstern handling til at ske. Qwen3-vejledningen beskriver også parallelle værktøjskald og værktøjskald i flere trin med argumenter repræsenteret som objekter og resultater leveret tilbage til samtalen.
Den oprindelige kontekst er 32,768 tokens. Producenten validerer 131,072 tokens med YaRN-udvidelse; dette afhænger af konfigurationen, og statisk skalering kan påvirke kortere input. Kontekstbudgettet omfatter både anmodning og genereret svar. Til en lang specifikation skal du identificere de afsnit, der er relevante for beslutningen, mærke dem og reservere plads til svaret frem for at fylde hele budgettet med kildetekst. Kortet anbefaler 32,768 outputtokens til de fleste forespørgsler frem for at erklære denne værdi som en universel tjenestegrænse. 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. Kortet forklarer også sin standardmæssige positionstildeling på 40,960 tokens som 8,192 til typiske prompts plus 32,768 til output; det er producentens konfigurationsvejledning, adskilt fra den oprindelige træningskontekst og enhver endpointgrænse.
Anbefalet sampling i tænkningstilstand er temperature 0.6, top-p 0.95, top-k 20 og min-p 0; uden tænkning bruges 0.7, 0.8, 20 og 0. Producenten anbefaler samplingbaseret afkodning og advarer om, at greedy decoding i tænkningstilstand kan medføre gentagelser. Højere presence penalties kan også introducere sprogblanding. Gør resultatet let at gennemgå: bed om et navngivet felt til det endelige svar, en beslutningstabel med begrundelser eller en kodepatch samt eksempler. Kontrollér beregninger mod de medsendte tal, kør foreslået kode i det tilsigtede miljø, og gennemgå værktøjsresultater, før du handler.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen3-235b-a22b | 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 $0.00114 / 1K tokens Output · Outputtokens $0.00342 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen3-235b-a22b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-235b-a22b', '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': 'qwen3-235b-a22b', '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 qwen3-235b-a22b
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Reconcile duplicate transaction records\n\nCompare two reconciliation rules on these records: (id=A, revision=1, amount=10), (A,2,12), (B,1,5). Rule X sums every row; rule Y keeps the highest revision per ID, then sums. Requirement: one current amount per ID; equal-revision disagreements must be flagged. Choose a rule, propose pseudocode and give tests for duplicates and conflicting ties.A rule comparison, chosen algorithm, expected total for the supplied records and conflict tests.Check the algorithm uses ID plus revision semantics and does not silently choose between conflicting equal revisions.