Qwen3-14B ist ein dichtes Sprachmodell der ursprünglichen Qwen3-Veröffentlichung, das Thinking- und Non-Thinking-Verhalten in einem Modell verbindet. Qwen positioniert die Familie für logisches Schlussfolgern, Mathematik, Programmierung, kreatives Schreiben, rollenbasierte Gespräche und Anweisungsbefolgung. Es nimmt Text entgegen und gibt Text aus, mit mehrsprachigen Anweisungs- und Übersetzungsfähigkeiten über die 119 Sprachen und Dialekte der Familie hinweg. Ein nützlicher Gesprächsauftrag legt Sprache, Wissensstand des Lesers und das genaue Ergebnis fest: eine Erklärung, eine Überarbeitung, eine gelöste Aufgabe oder eine vorgeschlagene Codeänderung.
Das auf Anweisungen trainierte Modell hat insgesamt 14,8 Milliarden Parameter in 40 Schichten. Es ist die dichte 14B-Edition, kein Mixture-of-Experts-Modell und kein späteres Modell mit ähnlichem Familiennamen. Sein nativer Kontext beträgt 32.768 Tokens. Geben Sie für eine Dokumentaufgabe relevante Passagen und Überschriften vor und fragen Sie anschließend nach dem konkret benötigten Vergleich oder der Erklärung. Ein Auftrag kann beispielsweise zwei Versionen eines Prozesses enthalten und eine Tabelle geänderter Bedingungen verlangen, gefolgt von einer überarbeiteten Vorgehensweise, die die genannten Ausnahmen bewahrt. Verlangen Sie, dass die überarbeitete Vorgehensweise die Quellüberschriften erhält und die geänderten Bedingungen kennzeichnet.
Thinking ist in der Chatvorlage des Herstellers standardmäßig aktiviert. Die feste Einstellung enable_thinking=False deaktiviert den Schlussfolgerungsabschnitt vollständig. Wenn Thinking aktiviert bleibt, können /think oder /no_think im Prompt oder in der Systemanweisung den gewünschten Modus von Gesprächsrunde zu Gesprächsrunde ändern; die neueste Anweisung gilt. Eine aktivierte Vorlage kann bei einer textuellen Non-Thinking-Anforderung weiterhin einen leeren <think>-Block zurückgeben. Die feste Deaktivierung lässt sich nicht rückgängig machen, indem /think zum Text hinzugefügt wird. Wählen Sie den Modus passend zur Aufgabe: Eine direkte Textüberarbeitung kann einen anderen Antwortstil verwenden als eine mehrschrittige mathematische Erklärung.
Das offizielle Generierungsbeispiel trennt Thinking-Inhalt von der endgültigen Antwort. Geben Sie Voraussetzungen oder Quellmaterial vor und definieren Sie die Struktur vor der Generierung, damit diese endgültige Antwort nützlich ist. Qwen empfiehlt für Mathematik ein eingerahmtes Endergebnis und für Multiple-Choice-Fragen ein ausdrückliches Antwortfeld. Ein Lehrauftrag kann ähnlich das Ergebnis, die wesentliche Erklärung und ein durchgerechnetes Beispiel verlangen. Für Gespräche über mehrere Runden empfiehlt der Hersteller, die endgültige Antwort im Verlauf zu behalten und frühere Thinking-Inhalte wegzulassen, damit spätere Fragen auf dem gelieferten Ergebnis aufbauen.
Qwen beschreibt Agenten- und Werkzeugaufruffähigkeiten sowohl im Thinking- als auch im Non-Thinking-Modus. Die empfohlene Qwen-Agent-Integration liefert Vorlagen und Parser für definierte Werkzeuge, darunter Informationsabruf und ein Codeinterpreter im Beispiel. Eine Anwendung kann dem Modell benannte Werkzeuge, ihre zulässigen Argumente und eine Abbruchbedingung vorgeben. Bereiten Sie für eine Codeuntersuchung den Quellauszug und Fehlerdetails vor, lassen Sie erforderliche Prüfungen identifizieren und geben Sie anschließend das tatsächliche Werkzeugergebnis zur Interpretation zurück. Die endgültige Antwort kann eine Diagnose, eine vorgeschlagene Änderung und verbleibende Fragen enthalten, die an die gelieferten Belege gebunden sind.
Der Hersteller validiert eine Erweiterung auf 131.072 Tokens mit YaRN, getrennt vom nativen Fenster. Er warnt, dass statische Skalierung das Verhalten bei kurzen Eingaben beeinflussen kann, und empfiehlt die Konfiguration bei Bedarf an längeren Kontexten. Die Modellkarte erklärt auch eine standardmäßige Zuweisung von 40.960 Positionen für typische Prompt- und Ausgabelängen. Gliedern Sie lange Eingaben in benannte Abschnitte und reservieren Sie Platz für Schlussfolgern und das endgültige Ergebnis, statt jede Position mit Hintergrundmaterial zu füllen. Die erweiterte Einstellung hängt von der vorgeschriebenen Konfiguration ab.
Qwen empfiehlt temperature 0,6 und top-p 0,95 für Thinking sowie 0,7 und 0,8 für Non-Thinking, mit top-k 20 und min-p 0 in beiden Fällen. Der Hersteller warnt wegen möglicher Qualitätsverschlechterung und Wiederholung vor Greedy Decoding im Thinking-Modus. Die empfohlene Ausgabelänge beträgt 32.768 Tokens für die meisten Anfragen; für besonders komplexe Mathematik- und Programmieraufgaben werden 38.912 genannt. Diese Empfehlungen leiten die Generierung an; sie definieren keine eigenständige feste Antwortgrenze. Ausdrückliche Sprach- und Formatvorgaben sind besonders nützlich, wenn ein Ergebnis über ein mehrsprachiges Gespräch hinweg konsistent bleiben muss.
", "aboutText": "Qwen3-14B ist ein dichtes Sprachmodell der ursprünglichen Qwen3-Veröffentlichung, das Thinking- und Non-Thinking-Verhalten in einem Modell verbindet. Qwen positioniert die Familie für logisches Schlussfolgern, Mathematik, Programmierung, kreatives Schreiben, rollenbasierte Gespräche und Anweisungsbefolgung. Es nimmt Text entgegen und gibt Text aus, mit mehrsprachigen Anweisungs- und Übersetzungsfähigkeiten über die 119 Sprachen und Dialekte der Familie hinweg. Ein nützlicher Gesprächsauftrag legt Sprache, Wissensstand des Lesers und das genaue Ergebnis fest: eine Erklärung, eine Überarbeitung, eine gelöste Aufgabe oder eine vorgeschlagene Codeänderung.\n\nDas auf Anweisungen trainierte Modell hat insgesamt 14,8 Milliarden Parameter in 40 Schichten. Es ist die dichte 14B-Edition, kein Mixture-of-Experts-Modell und kein späteres Modell mit ähnlichem Familiennamen. Sein nativer Kontext beträgt 32.768 Tokens. Geben Sie für eine Dokumentaufgabe relevante Passagen und Überschriften vor und fragen Sie anschließend nach dem konkret benötigten Vergleich oder der Erklärung. Ein Auftrag kann beispielsweise zwei Versionen eines Prozesses enthalten und eine Tabelle geänderter Bedingungen verlangen, gefolgt von einer überarbeiteten Vorgehensweise, die die genannten Ausnahmen bewahrt. Verlangen Sie, dass die überarbeitete Vorgehensweise die Quellüberschriften erhält und die geänderten Bedingungen kennzeichnet.\n\nThinking ist in der Chatvorlage des Herstellers standardmäßig aktiviert. Die feste Einstellung enable_thinking=False deaktiviert den Schlussfolgerungsabschnitt vollständig. Wenn Thinking aktiviert bleibt, können /think oder /no_think im Prompt oder in der Systemanweisung den gewünschten Modus von Gesprächsrunde zu Gesprächsrunde ändern; die neueste Anweisung gilt. Eine aktivierte Vorlage kann bei einer textuellen Non-Thinking-Anforderung weiterhin einen leerenTechnisches Beispiel auf Englisch
Explain a changed approval rule\n\nCompare procedure V1: 'All purchase requests need manager approval.' V2: 'Requests above 100 credits need manager approval; smaller requests go directly to purchasing.' Explain the change to a new coordinator, give examples for 80 and 120 credits and identify the unanswered rule for exactly 100 credits. Keep the two versions distinct.A brief explanation, two worked examples and one boundary clarification.The answer must not invent the exactly-100-credit rule absent from V2.qwen/qwen3-14bQwen3-14B ist Qwens dichtes Textmodell für mehrsprachige Gespräche, Schreiben, Programmierung und schrittweises Schlussfolgern. Sein ursprüngliches hybrides Design wechselt zwischen Thinking- und Direktantwortmodus und hat einen nativen Kontext von 32.768 Tokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3-14B ist ein dichtes Sprachmodell der ursprünglichen Qwen3-Veröffentlichung, das Thinking- und Non-Thinking-Verhalten in einem Modell verbindet. Qwen positioniert die Familie für logisches Schlussfolgern, Mathematik, Programmierung, kreatives Schreiben, rollenbasierte Gespräche und Anweisungsbefolgung. Es nimmt Text entgegen und gibt Text aus, mit mehrsprachigen Anweisungs- und Übersetzungsfähigkeiten über die 119 Sprachen und Dialekte der Familie hinweg. Ein nützlicher Gesprächsauftrag legt Sprache, Wissensstand des Lesers und das genaue Ergebnis fest: eine Erklärung, eine Überarbeitung, eine gelöste Aufgabe oder eine vorgeschlagene Codeänderung.
Das auf Anweisungen trainierte Modell hat insgesamt 14,8 Milliarden Parameter in 40 Schichten. Es ist die dichte 14B-Edition, kein Mixture-of-Experts-Modell und kein späteres Modell mit ähnlichem Familiennamen. Sein nativer Kontext beträgt 32.768 Tokens. Geben Sie für eine Dokumentaufgabe relevante Passagen und Überschriften vor und fragen Sie anschließend nach dem konkret benötigten Vergleich oder der Erklärung. Ein Auftrag kann beispielsweise zwei Versionen eines Prozesses enthalten und eine Tabelle geänderter Bedingungen verlangen, gefolgt von einer überarbeiteten Vorgehensweise, die die genannten Ausnahmen bewahrt. Verlangen Sie, dass die überarbeitete Vorgehensweise die Quellüberschriften erhält und die geänderten Bedingungen kennzeichnet.
Thinking ist in der Chatvorlage des Herstellers standardmäßig aktiviert. Die feste Einstellung enable_thinking=False deaktiviert den Schlussfolgerungsabschnitt vollständig. Wenn Thinking aktiviert bleibt, können /think oder /no_think im Prompt oder in der Systemanweisung den gewünschten Modus von Gesprächsrunde zu Gesprächsrunde ändern; die neueste Anweisung gilt. Eine aktivierte Vorlage kann bei einer textuellen Non-Thinking-Anforderung weiterhin einen leeren <think>-Block zurückgeben. Die feste Deaktivierung lässt sich nicht rückgängig machen, indem /think zum Text hinzugefügt wird. Wählen Sie den Modus passend zur Aufgabe: Eine direkte Textüberarbeitung kann einen anderen Antwortstil verwenden als eine mehrschrittige mathematische Erklärung.
Das offizielle Generierungsbeispiel trennt Thinking-Inhalt von der endgültigen Antwort. Geben Sie Voraussetzungen oder Quellmaterial vor und definieren Sie die Struktur vor der Generierung, damit diese endgültige Antwort nützlich ist. Qwen empfiehlt für Mathematik ein eingerahmtes Endergebnis und für Multiple-Choice-Fragen ein ausdrückliches Antwortfeld. Ein Lehrauftrag kann ähnlich das Ergebnis, die wesentliche Erklärung und ein durchgerechnetes Beispiel verlangen. Für Gespräche über mehrere Runden empfiehlt der Hersteller, die endgültige Antwort im Verlauf zu behalten und frühere Thinking-Inhalte wegzulassen, damit spätere Fragen auf dem gelieferten Ergebnis aufbauen.
Qwen beschreibt Agenten- und Werkzeugaufruffähigkeiten sowohl im Thinking- als auch im Non-Thinking-Modus. Die empfohlene Qwen-Agent-Integration liefert Vorlagen und Parser für definierte Werkzeuge, darunter Informationsabruf und ein Codeinterpreter im Beispiel. Eine Anwendung kann dem Modell benannte Werkzeuge, ihre zulässigen Argumente und eine Abbruchbedingung vorgeben. Bereiten Sie für eine Codeuntersuchung den Quellauszug und Fehlerdetails vor, lassen Sie erforderliche Prüfungen identifizieren und geben Sie anschließend das tatsächliche Werkzeugergebnis zur Interpretation zurück. Die endgültige Antwort kann eine Diagnose, eine vorgeschlagene Änderung und verbleibende Fragen enthalten, die an die gelieferten Belege gebunden sind.
Der Hersteller validiert eine Erweiterung auf 131.072 Tokens mit YaRN, getrennt vom nativen Fenster. Er warnt, dass statische Skalierung das Verhalten bei kurzen Eingaben beeinflussen kann, und empfiehlt die Konfiguration bei Bedarf an längeren Kontexten. Die Modellkarte erklärt auch eine standardmäßige Zuweisung von 40.960 Positionen für typische Prompt- und Ausgabelängen. Gliedern Sie lange Eingaben in benannte Abschnitte und reservieren Sie Platz für Schlussfolgern und das endgültige Ergebnis, statt jede Position mit Hintergrundmaterial zu füllen. Die erweiterte Einstellung hängt von der vorgeschriebenen Konfiguration ab.
Qwen empfiehlt temperature 0,6 und top-p 0,95 für Thinking sowie 0,7 und 0,8 für Non-Thinking, mit top-k 20 und min-p 0 in beiden Fällen. Der Hersteller warnt wegen möglicher Qualitätsverschlechterung und Wiederholung vor Greedy Decoding im Thinking-Modus. Die empfohlene Ausgabelänge beträgt 32.768 Tokens für die meisten Anfragen; für besonders komplexe Mathematik- und Programmieraufgaben werden 38.912 genannt. Diese Empfehlungen leiten die Generierung an; sie definieren keine eigenständige feste Antwortgrenze. Ausdrückliche Sprach- und Formatvorgaben sind besonders nützlich, wenn ein Ergebnis über ein mehrsprachiges Gespräch hinweg konsistent bleiben muss.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-14b | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.00058 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.00058 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-14b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3-14b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3-14b',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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen/qwen3-14b
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3-14bQwen3-14B ist Qwens dichtes Textmodell für mehrsprachige Gespräche, Schreiben, Programmierung und schrittweises Schlussfolgern. Sein ursprüngliches hybrides Design wechselt zwischen Thinking- und Direktantwortmodus und hat einen nativen Kontext von 32.768 Tokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3-14B ist ein dichtes Sprachmodell der ursprünglichen Qwen3-Veröffentlichung, das Thinking- und Non-Thinking-Verhalten in einem Modell verbindet. Qwen positioniert die Familie für logisches Schlussfolgern, Mathematik, Programmierung, kreatives Schreiben, rollenbasierte Gespräche und Anweisungsbefolgung. Es nimmt Text entgegen und gibt Text aus, mit mehrsprachigen Anweisungs- und Übersetzungsfähigkeiten über die 119 Sprachen und Dialekte der Familie hinweg. Ein nützlicher Gesprächsauftrag legt Sprache, Wissensstand des Lesers und das genaue Ergebnis fest: eine Erklärung, eine Überarbeitung, eine gelöste Aufgabe oder eine vorgeschlagene Codeänderung.
Das auf Anweisungen trainierte Modell hat insgesamt 14,8 Milliarden Parameter in 40 Schichten. Es ist die dichte 14B-Edition, kein Mixture-of-Experts-Modell und kein späteres Modell mit ähnlichem Familiennamen. Sein nativer Kontext beträgt 32.768 Tokens. Geben Sie für eine Dokumentaufgabe relevante Passagen und Überschriften vor und fragen Sie anschließend nach dem konkret benötigten Vergleich oder der Erklärung. Ein Auftrag kann beispielsweise zwei Versionen eines Prozesses enthalten und eine Tabelle geänderter Bedingungen verlangen, gefolgt von einer überarbeiteten Vorgehensweise, die die genannten Ausnahmen bewahrt. Verlangen Sie, dass die überarbeitete Vorgehensweise die Quellüberschriften erhält und die geänderten Bedingungen kennzeichnet.
Thinking ist in der Chatvorlage des Herstellers standardmäßig aktiviert. Die feste Einstellung enable_thinking=False deaktiviert den Schlussfolgerungsabschnitt vollständig. Wenn Thinking aktiviert bleibt, können /think oder /no_think im Prompt oder in der Systemanweisung den gewünschten Modus von Gesprächsrunde zu Gesprächsrunde ändern; die neueste Anweisung gilt. Eine aktivierte Vorlage kann bei einer textuellen Non-Thinking-Anforderung weiterhin einen leeren <think>-Block zurückgeben. Die feste Deaktivierung lässt sich nicht rückgängig machen, indem /think zum Text hinzugefügt wird. Wählen Sie den Modus passend zur Aufgabe: Eine direkte Textüberarbeitung kann einen anderen Antwortstil verwenden als eine mehrschrittige mathematische Erklärung.
Das offizielle Generierungsbeispiel trennt Thinking-Inhalt von der endgültigen Antwort. Geben Sie Voraussetzungen oder Quellmaterial vor und definieren Sie die Struktur vor der Generierung, damit diese endgültige Antwort nützlich ist. Qwen empfiehlt für Mathematik ein eingerahmtes Endergebnis und für Multiple-Choice-Fragen ein ausdrückliches Antwortfeld. Ein Lehrauftrag kann ähnlich das Ergebnis, die wesentliche Erklärung und ein durchgerechnetes Beispiel verlangen. Für Gespräche über mehrere Runden empfiehlt der Hersteller, die endgültige Antwort im Verlauf zu behalten und frühere Thinking-Inhalte wegzulassen, damit spätere Fragen auf dem gelieferten Ergebnis aufbauen.
Qwen beschreibt Agenten- und Werkzeugaufruffähigkeiten sowohl im Thinking- als auch im Non-Thinking-Modus. Die empfohlene Qwen-Agent-Integration liefert Vorlagen und Parser für definierte Werkzeuge, darunter Informationsabruf und ein Codeinterpreter im Beispiel. Eine Anwendung kann dem Modell benannte Werkzeuge, ihre zulässigen Argumente und eine Abbruchbedingung vorgeben. Bereiten Sie für eine Codeuntersuchung den Quellauszug und Fehlerdetails vor, lassen Sie erforderliche Prüfungen identifizieren und geben Sie anschließend das tatsächliche Werkzeugergebnis zur Interpretation zurück. Die endgültige Antwort kann eine Diagnose, eine vorgeschlagene Änderung und verbleibende Fragen enthalten, die an die gelieferten Belege gebunden sind.
Der Hersteller validiert eine Erweiterung auf 131.072 Tokens mit YaRN, getrennt vom nativen Fenster. Er warnt, dass statische Skalierung das Verhalten bei kurzen Eingaben beeinflussen kann, und empfiehlt die Konfiguration bei Bedarf an längeren Kontexten. Die Modellkarte erklärt auch eine standardmäßige Zuweisung von 40.960 Positionen für typische Prompt- und Ausgabelängen. Gliedern Sie lange Eingaben in benannte Abschnitte und reservieren Sie Platz für Schlussfolgern und das endgültige Ergebnis, statt jede Position mit Hintergrundmaterial zu füllen. Die erweiterte Einstellung hängt von der vorgeschriebenen Konfiguration ab.
Qwen empfiehlt temperature 0,6 und top-p 0,95 für Thinking sowie 0,7 und 0,8 für Non-Thinking, mit top-k 20 und min-p 0 in beiden Fällen. Der Hersteller warnt wegen möglicher Qualitätsverschlechterung und Wiederholung vor Greedy Decoding im Thinking-Modus. Die empfohlene Ausgabelänge beträgt 32.768 Tokens für die meisten Anfragen; für besonders komplexe Mathematik- und Programmieraufgaben werden 38.912 genannt. Diese Empfehlungen leiten die Generierung an; sie definieren keine eigenständige feste Antwortgrenze. Ausdrückliche Sprach- und Formatvorgaben sind besonders nützlich, wenn ein Ergebnis über ein mehrsprachiges Gespräch hinweg konsistent bleiben muss.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-14b | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.00058 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.00058 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3-14b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-14b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-14b', '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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen/qwen3-14b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Explain a changed approval rule\n\nCompare procedure V1: 'All purchase requests need manager approval.' V2: 'Requests above 100 credits need manager approval; smaller requests go directly to purchasing.' Explain the change to a new coordinator, give examples for 80 and 120 credits and identify the unanswered rule for exactly 100 credits. Keep the two versions distinct.A brief explanation, two worked examples and one boundary clarification.The answer must not invent the exactly-100-credit rule absent from V2.