Qwen3-4B bruger Qwen3’s hybride svardesign i en kompakt, tæt sprogmodel. Udvikleren beskriver matematisk og logisk ræsonnement, kodegenerering, kreativ skrivning, rollebaseret interaktion og dialog over flere ture samt instruktionsfølgning på mere end 100 sprog og dialekter. En afgrænset redaktionel eller teknisk opgave er en nyttig anvendelse: giv et konkret kildeuddrag, og bed om én veldefineret bearbejdning frem for et åbent overblik.
Udgaven indeholder fire milliarder parametre, heraf 3,6 milliarder uden for embeddings, og har 36 lag. Grouped-query attention bruger 32 query-hoveder og otte key/value-hoveder. Både input og output er tekst. Dette modelkort beskriver den oprindelige hybride Qwen3-4B-udgave, ikke en senere dateret Thinking- eller Instruct-model. Et praktisk eksempel er at omdanne en kort hændelsesnote til en operationel overdragelse med den observerede fejl, de kendte konsekvenser og næste undersøgelsestrin. Giv disse fakta som separate felter, og kræv, at modellen markerer manglende oplysninger i stedet for at udfylde dem.
Forbered instruktionen og kilden som separate dele af en chatbesked. Ved programmering vedlægges en lille funktion, repræsentativt input og den ønskede returværdi, hvorefter der bedes om en forklaring eller en snævert afgrænset ændring. Bed om et almindeligt tilfælde og et grænsetilfælde som en del af outputtet. Ved en skriveopgave angives målgruppe, længde og ordforråd, som skal forblive uændret. Ved en klassifikationsopgave gives de tilladte kategorier, deres definitioner og et outputeksempel; det returnerede valg skal derefter kontrolleres mod listen. Den offentliggjorte integration forventer et kørselsmiljø, der genkender Qwen3; modelkortet advarer om, at Transformers-versioner under 4.51.0 ikke genkender den nødvendige arkitektur.
Ræsonnement og svar uden ræsonnement er indbygget i samme udgave. I udviklerens skabelon er ræsonnement som standard slået til, og en fast indstilling slår det fra. Når ræsonnement er slået til, er /think og /no_think bløde instruktioner, som kan ændre adfærden mellem ture; den seneste instruktion gælder. De genaktiverer ikke en tilstand, der er slået fra med den faste indstilling. En kort tekstbearbejdning kan bede om et direkte svar, mens en forklaring af modstridende betingelser kan bruge ræsonnement. Gem det endelige svar frem for tidligere ræsonnementstekst som det nyttige resultat af en samtaletur. Når ræsonnement er slået til, bevarer selv en blød anmodning om ikke at ræsonnere en ræsonnementsblok; indholdet kan være tomt. Den faste deaktivering fjerner denne blok.
Modelkortet omfatter agentbrug og anbefaler Qwen-Agent til værktøjsdefinitioner og fortolkning af kald. For en assistent, som klassificerer en indgående supportsag og derefter slår en kategoribeskrivelse op, stiller applikationen opslagværktøjet til rådighed, udfører et accepteret kald og leverer resultatet. Definer argumenterne og de forventede felter på forhånd. Bed om en endelig sagspost med den valgte kategori, en kort begrundelse og eventuelle ukendte felter. Valider posten, og gem det værktøjsresultat, den blev oprettet ud fra. Qwen3-vejledningen beskriver også parallelle værktøjskald og kald i flere trin med argumenter som objekter og resultater, der gives tilbage til samtalen.
Det præcise modelkort angiver 32.768 oprindelige konteksttokens og dokumenterer udvidelse til 131.072 med YaRN. Det udvidede tal er knyttet til konfigurationen; statisk skalering kan påvirke kortere input. Planlæg hele anmodningen og svaret samlet. Mærk hver post i en samling korte noter, bed om en tilsvarende outputidentifikator, og brug et kortfattet skema, så det genererede resultat stadig kan være der. Modelkortets eksempler og anbefalinger om outputlængde er ikke en universel fast grænse for generering. Qwen3-dokumentationen omtaler assistentbeskeder på 38.912 tokens i ræsonnementstilstand og 16.384 uden ræsonnement i sin forklaring af træningslængden og anbefaler at vurdere kvaliteten af længere generering. Disse tal er adskilt fra det samlede kontekstvindue og udgør ikke en fast grænse for et bestemt endpoint. Modelkortet forklarer også standardfordelingen af 40.960 positioner som 8.192 til typiske prompts plus 32.768 til output; det er udviklerens konfigurationsvejledning, adskilt fra den oprindelige træningskontekst og eventuelle endpointgrænser.
Denne udgave har en yderligere advarsel om vedvarende gentagelser. Udvikleren henviser til den anbefalede samplingopsætning og foreslår presence_penalty 1.5 ved betydelige gentagelser. Den generelle vejledning bemærker, at højere straffe kan give output med blandede sprog eller sænke kvaliteten, så det er en målrettet indstilling frem for en garanti. Ræsonnementstilstand bruger temperature 0.6, top-p 0.95, top-k 20 og min-p 0; uden ræsonnement bruges 0.7, 0.8, 20 og 0. Undgå greedy decoding ved ræsonnement, kræv et tydeligt afgrænset slutresultat, og kontroller svaret for gentagne sætningsled, manglende felter og ændret terminologi.
", "aboutText": "Qwen3-4B bruger Qwen3’s hybride svardesign i en kompakt, tæt sprogmodel. Udvikleren beskriver matematisk og logisk ræsonnement, kodegenerering, kreativ skrivning, rollebaseret interaktion og dialog over flere ture samt instruktionsfølgning på mere end 100 sprog og dialekter. En afgrænset redaktionel eller teknisk opgave er en nyttig anvendelse: giv et konkret kildeuddrag, og bed om én veldefineret bearbejdning frem for et åbent overblik.\n\nUdgaven indeholder fire milliarder parametre, heraf 3,6 milliarder uden for embeddings, og har 36 lag. Grouped-query attention bruger 32 query-hoveder og otte key/value-hoveder. Både input og output er tekst. Dette modelkort beskriver den oprindelige hybride Qwen3-4B-udgave, ikke en senere dateret Thinking- eller Instruct-model. Et praktisk eksempel er at omdanne en kort hændelsesnote til en operationel overdragelse med den observerede fejl, de kendte konsekvenser og næste undersøgelsestrin. Giv disse fakta som separate felter, og kræv, at modellen markerer manglende oplysninger i stedet for at udfylde dem.\n\nForbered instruktionen og kilden som separate dele af en chatbesked. Ved programmering vedlægges en lille funktion, repræsentativt input og den ønskede returværdi, hvorefter der bedes om en forklaring eller en snævert afgrænset ændring. Bed om et almindeligt tilfælde og et grænsetilfælde som en del af outputtet. Ved en skriveopgave angives målgruppe, længde og ordforråd, som skal forblive uændret. Ved en klassifikationsopgave gives de tilladte kategorier, deres definitioner og et outputeksempel; det returnerede valg skal derefter kontrolleres mod listen. Den offentliggjorte integration forventer et kørselsmiljø, der genkender Qwen3; modelkortet advarer om, at Transformers-versioner under 4.51.0 ikke genkender den nødvendige arkitektur.\n\nRæsonnement og svar uden ræsonnement er indbygget i samme udgave. I udviklerens skabelon er ræsonnement som standard slået til, og en fast indstilling slår det fra. Når ræsonnement er slået til, er /think og /no_think bløde instruktioner, som kan ændre adfærden mellem ture; den seneste instruktion gælder. De genaktiverer ikke en tilstand, der er slået fra med den faste indstilling. En kort tekstbearbejdning kan bede om et direkte svar, mens en forklaring af modstridende betingelser kan bruge ræsonnement. Gem det endelige svar frem for tidligere ræsonnementstekst som det nyttige resultat af en samtaletur. Når ræsonnement er slået til, bevarer selv en blød anmodning om ikke at ræsonnere en ræsonnementsblok; indholdet kan være tomt. Den faste deaktivering fjerner denne blok.\n\nModelkortet omfatter agentbrug og anbefaler Qwen-Agent til værktøjsdefinitioner og fortolkning af kald. For en assistent, som klassificerer en indgående supportsag og derefter slår en kategoribeskrivelse op, stiller applikationen opslagværktøjet til rådighed, udfører et accepteret kald og leverer resultatet. Definer argumenterne og de forventede felter på forhånd. Bed om en endelig sagspost med den valgte kategori, en kort begrundelse og eventuelle ukendte felter. Valider posten, og gem det værktøjsresultat, den blev oprettet ud fra. Qwen3-vejledningen beskriver også parallelle værktøjskald og kald i flere trin med argumenter som objekter og resultater, der gives tilbage til samtalen.\n\nDet præcise modelkort angiver 32.768 oprindelige konteksttokens og dokumenterer udvidelse til 131.072 med YaRN. Det udvidede tal er knyttet til konfigurationen; statisk skalering kan påvirke kortere input. Planlæg hele anmodningen og svaret samlet. Mærk hver post i en samling korte noter, bed om en tilsvarende outputidentifikator, og brug et kortfattet skema, så det genererede resultat stadig kan være der. Modelkortets eksempler og anbefalinger om outputlængde er ikke en universel fast grænse for generering. Qwen3-dokumentationen omtaler assistentbeskeder på 38.912 tokens i ræsonnementstilstand og 16.384 uden ræsonnement i sin forklaring af træningslængden og anbefaler at vurdere kvaliteten af længere generering. Disse tal er adskilt fra det samlede kontekstvindue og udgør ikke en fast grænse for et bestemt endpoint. Modelkortet forklarer også standardfordelingen af 40.960 positioner som 8.192 til typiske prompts plus 32.768 til output; det er udviklerens konfigurationsvejledning, adskilt fra den oprindelige træningskontekst og eventuelle endpointgrænser.\n\nDenne udgave har en yderligere advarsel om vedvarende gentagelser. Udvikleren henviser til den anbefalede samplingopsætning og foreslår presence_penalty 1.5 ved betydelige gentagelser. Den generelle vejledning bemærker, at højere straffe kan give output med blandede sprog eller sænke kvaliteten, så det er en målrettet indstilling frem for en garanti. Ræsonnementstilstand bruger temperature 0.6, top-p 0.95, top-k 20 og min-p 0; uden ræsonnement bruges 0.7, 0.8, 20 og 0. Undgå greedy decoding ved ræsonnement, kræv et tydeligt afgrænset slutresultat, og kontroller svaret for gentagne sætningsled, manglende felter og ændret terminologi.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Turn an incident note into a handoff\n\nTurn these facts into an operational handoff. Observed failure: report export stops with Disk full. Known impact: exports for Team C failed; other teams were not checked. Last completed step: temporary files listed, none deleted. Next step: identify approved cleanup candidates. Use four labelled lines and do not invent a restoration time or wider impact.Four labelled lines: Failure, Confirmed impact, Completed work and Next step.Check that listing files is not reported as deleting them and untested teams remain outside confirmed impact.qwen3-4bQwen3-4B er en tekstmodel med fire milliarder parametre til instruktionsfølgning, flersproget dialog og kode. Dens hybride design understøtter både direkte svar og en tænkningstilstand med udgavespecifik vejledning til styring af gentagelser.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3-4B bruger Qwen3’s hybride svardesign i en kompakt, tæt sprogmodel. Udvikleren beskriver matematisk og logisk ræsonnement, kodegenerering, kreativ skrivning, rollebaseret interaktion og dialog over flere ture samt instruktionsfølgning på mere end 100 sprog og dialekter. En afgrænset redaktionel eller teknisk opgave er en nyttig anvendelse: giv et konkret kildeuddrag, og bed om én veldefineret bearbejdning frem for et åbent overblik.
Udgaven indeholder fire milliarder parametre, heraf 3,6 milliarder uden for embeddings, og har 36 lag. Grouped-query attention bruger 32 query-hoveder og otte key/value-hoveder. Både input og output er tekst. Dette modelkort beskriver den oprindelige hybride Qwen3-4B-udgave, ikke en senere dateret Thinking- eller Instruct-model. Et praktisk eksempel er at omdanne en kort hændelsesnote til en operationel overdragelse med den observerede fejl, de kendte konsekvenser og næste undersøgelsestrin. Giv disse fakta som separate felter, og kræv, at modellen markerer manglende oplysninger i stedet for at udfylde dem.
Forbered instruktionen og kilden som separate dele af en chatbesked. Ved programmering vedlægges en lille funktion, repræsentativt input og den ønskede returværdi, hvorefter der bedes om en forklaring eller en snævert afgrænset ændring. Bed om et almindeligt tilfælde og et grænsetilfælde som en del af outputtet. Ved en skriveopgave angives målgruppe, længde og ordforråd, som skal forblive uændret. Ved en klassifikationsopgave gives de tilladte kategorier, deres definitioner og et outputeksempel; det returnerede valg skal derefter kontrolleres mod listen. Den offentliggjorte integration forventer et kørselsmiljø, der genkender Qwen3; modelkortet advarer om, at Transformers-versioner under 4.51.0 ikke genkender den nødvendige arkitektur.
Ræsonnement og svar uden ræsonnement er indbygget i samme udgave. I udviklerens skabelon er ræsonnement som standard slået til, og en fast indstilling slår det fra. Når ræsonnement er slået til, er /think og /no_think bløde instruktioner, som kan ændre adfærden mellem ture; den seneste instruktion gælder. De genaktiverer ikke en tilstand, der er slået fra med den faste indstilling. En kort tekstbearbejdning kan bede om et direkte svar, mens en forklaring af modstridende betingelser kan bruge ræsonnement. Gem det endelige svar frem for tidligere ræsonnementstekst som det nyttige resultat af en samtaletur. Når ræsonnement er slået til, bevarer selv en blød anmodning om ikke at ræsonnere en ræsonnementsblok; indholdet kan være tomt. Den faste deaktivering fjerner denne blok.
Modelkortet omfatter agentbrug og anbefaler Qwen-Agent til værktøjsdefinitioner og fortolkning af kald. For en assistent, som klassificerer en indgående supportsag og derefter slår en kategoribeskrivelse op, stiller applikationen opslagværktøjet til rådighed, udfører et accepteret kald og leverer resultatet. Definer argumenterne og de forventede felter på forhånd. Bed om en endelig sagspost med den valgte kategori, en kort begrundelse og eventuelle ukendte felter. Valider posten, og gem det værktøjsresultat, den blev oprettet ud fra. Qwen3-vejledningen beskriver også parallelle værktøjskald og kald i flere trin med argumenter som objekter og resultater, der gives tilbage til samtalen.
Det præcise modelkort angiver 32.768 oprindelige konteksttokens og dokumenterer udvidelse til 131.072 med YaRN. Det udvidede tal er knyttet til konfigurationen; statisk skalering kan påvirke kortere input. Planlæg hele anmodningen og svaret samlet. Mærk hver post i en samling korte noter, bed om en tilsvarende outputidentifikator, og brug et kortfattet skema, så det genererede resultat stadig kan være der. Modelkortets eksempler og anbefalinger om outputlængde er ikke en universel fast grænse for generering. Qwen3-dokumentationen omtaler assistentbeskeder på 38.912 tokens i ræsonnementstilstand og 16.384 uden ræsonnement i sin forklaring af træningslængden og anbefaler at vurdere kvaliteten af længere generering. Disse tal er adskilt fra det samlede kontekstvindue og udgør ikke en fast grænse for et bestemt endpoint. Modelkortet forklarer også standardfordelingen af 40.960 positioner som 8.192 til typiske prompts plus 32.768 til output; det er udviklerens konfigurationsvejledning, adskilt fra den oprindelige træningskontekst og eventuelle endpointgrænser.
Denne udgave har en yderligere advarsel om vedvarende gentagelser. Udvikleren henviser til den anbefalede samplingopsætning og foreslår presence_penalty 1.5 ved betydelige gentagelser. Den generelle vejledning bemærker, at højere straffe kan give output med blandede sprog eller sænke kvaliteten, så det er en målrettet indstilling frem for en garanti. Ræsonnementstilstand bruger temperature 0.6, top-p 0.95, top-k 20 og min-p 0; uden ræsonnement bruges 0.7, 0.8, 20 og 0. Undgå greedy decoding ved ræsonnement, kræv et tydeligt afgrænset slutresultat, og kontroller svaret for gentagne sætningsled, manglende felter og ændret terminologi.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen3-4b | 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": "qwen3-4b", "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='qwen3-4b',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='qwen3-4b',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 qwen3-4b
Brug metodestierne vist ovenfor.
qwen3-4bQwen3-4B er en tekstmodel med fire milliarder parametre til instruktionsfølgning, flersproget dialog og kode. Dens hybride design understøtter både direkte svar og en tænkningstilstand med udgavespecifik vejledning til styring af gentagelser.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Qwen3-4B bruger Qwen3’s hybride svardesign i en kompakt, tæt sprogmodel. Udvikleren beskriver matematisk og logisk ræsonnement, kodegenerering, kreativ skrivning, rollebaseret interaktion og dialog over flere ture samt instruktionsfølgning på mere end 100 sprog og dialekter. En afgrænset redaktionel eller teknisk opgave er en nyttig anvendelse: giv et konkret kildeuddrag, og bed om én veldefineret bearbejdning frem for et åbent overblik.
Udgaven indeholder fire milliarder parametre, heraf 3,6 milliarder uden for embeddings, og har 36 lag. Grouped-query attention bruger 32 query-hoveder og otte key/value-hoveder. Både input og output er tekst. Dette modelkort beskriver den oprindelige hybride Qwen3-4B-udgave, ikke en senere dateret Thinking- eller Instruct-model. Et praktisk eksempel er at omdanne en kort hændelsesnote til en operationel overdragelse med den observerede fejl, de kendte konsekvenser og næste undersøgelsestrin. Giv disse fakta som separate felter, og kræv, at modellen markerer manglende oplysninger i stedet for at udfylde dem.
Forbered instruktionen og kilden som separate dele af en chatbesked. Ved programmering vedlægges en lille funktion, repræsentativt input og den ønskede returværdi, hvorefter der bedes om en forklaring eller en snævert afgrænset ændring. Bed om et almindeligt tilfælde og et grænsetilfælde som en del af outputtet. Ved en skriveopgave angives målgruppe, længde og ordforråd, som skal forblive uændret. Ved en klassifikationsopgave gives de tilladte kategorier, deres definitioner og et outputeksempel; det returnerede valg skal derefter kontrolleres mod listen. Den offentliggjorte integration forventer et kørselsmiljø, der genkender Qwen3; modelkortet advarer om, at Transformers-versioner under 4.51.0 ikke genkender den nødvendige arkitektur.
Ræsonnement og svar uden ræsonnement er indbygget i samme udgave. I udviklerens skabelon er ræsonnement som standard slået til, og en fast indstilling slår det fra. Når ræsonnement er slået til, er /think og /no_think bløde instruktioner, som kan ændre adfærden mellem ture; den seneste instruktion gælder. De genaktiverer ikke en tilstand, der er slået fra med den faste indstilling. En kort tekstbearbejdning kan bede om et direkte svar, mens en forklaring af modstridende betingelser kan bruge ræsonnement. Gem det endelige svar frem for tidligere ræsonnementstekst som det nyttige resultat af en samtaletur. Når ræsonnement er slået til, bevarer selv en blød anmodning om ikke at ræsonnere en ræsonnementsblok; indholdet kan være tomt. Den faste deaktivering fjerner denne blok.
Modelkortet omfatter agentbrug og anbefaler Qwen-Agent til værktøjsdefinitioner og fortolkning af kald. For en assistent, som klassificerer en indgående supportsag og derefter slår en kategoribeskrivelse op, stiller applikationen opslagværktøjet til rådighed, udfører et accepteret kald og leverer resultatet. Definer argumenterne og de forventede felter på forhånd. Bed om en endelig sagspost med den valgte kategori, en kort begrundelse og eventuelle ukendte felter. Valider posten, og gem det værktøjsresultat, den blev oprettet ud fra. Qwen3-vejledningen beskriver også parallelle værktøjskald og kald i flere trin med argumenter som objekter og resultater, der gives tilbage til samtalen.
Det præcise modelkort angiver 32.768 oprindelige konteksttokens og dokumenterer udvidelse til 131.072 med YaRN. Det udvidede tal er knyttet til konfigurationen; statisk skalering kan påvirke kortere input. Planlæg hele anmodningen og svaret samlet. Mærk hver post i en samling korte noter, bed om en tilsvarende outputidentifikator, og brug et kortfattet skema, så det genererede resultat stadig kan være der. Modelkortets eksempler og anbefalinger om outputlængde er ikke en universel fast grænse for generering. Qwen3-dokumentationen omtaler assistentbeskeder på 38.912 tokens i ræsonnementstilstand og 16.384 uden ræsonnement i sin forklaring af træningslængden og anbefaler at vurdere kvaliteten af længere generering. Disse tal er adskilt fra det samlede kontekstvindue og udgør ikke en fast grænse for et bestemt endpoint. Modelkortet forklarer også standardfordelingen af 40.960 positioner som 8.192 til typiske prompts plus 32.768 til output; det er udviklerens konfigurationsvejledning, adskilt fra den oprindelige træningskontekst og eventuelle endpointgrænser.
Denne udgave har en yderligere advarsel om vedvarende gentagelser. Udvikleren henviser til den anbefalede samplingopsætning og foreslår presence_penalty 1.5 ved betydelige gentagelser. Den generelle vejledning bemærker, at højere straffe kan give output med blandede sprog eller sænke kvaliteten, så det er en målrettet indstilling frem for en garanti. Ræsonnementstilstand bruger temperature 0.6, top-p 0.95, top-k 20 og min-p 0; uden ræsonnement bruges 0.7, 0.8, 20 og 0. Undgå greedy decoding ved ræsonnement, kræv et tydeligt afgrænset slutresultat, og kontroller svaret for gentagne sætningsled, manglende felter og ændret terminologi.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser qwen3-4b | 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 $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "qwen3-4b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-4b', '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': 'qwen3-4b', '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 qwen3-4b
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Turn an incident note into a handoff\n\nTurn these facts into an operational handoff. Observed failure: report export stops with Disk full. Known impact: exports for Team C failed; other teams were not checked. Last completed step: temporary files listed, none deleted. Next step: identify approved cleanup candidates. Use four labelled lines and do not invent a restoration time or wider impact.Four labelled lines: Failure, Confirmed impact, Completed work and Next step.Check that listing files is not reported as deleting them and untested teams remain outside confirmed impact.