Qwen3-235B-A22B-FP8 ist die offizielle FP8-Edition von Qwen3-235B-A22B. Seine beworbenen Textfähigkeiten umfassen mathematisches und logisches Schlussfolgern, Codegenerierung, kreatives Schreiben, rollenbasierte Gespräche und Anweisungsbefolgung über mehrere Gesprächsrunden in mehr als 100 Sprachen und Dialekten. Es verbindet Thinking- und Direktantwortmodi. Nutzen Sie es für eine Aufgabe mit mehreren verbundenen Bedingungen, etwa zwei Implementierungen anhand derselben Spezifikation zu vergleichen und den Vergleich in einen konkreten Änderungsvorschlag umzusetzen.
Die zugrunde liegende Architektur ist Mixture-of-Experts: insgesamt 235 Milliarden Parameter, 22 Milliarden während der Verarbeitung aktiv, 94 Schichten und 128 Experten, von denen acht pro Token ausgewählt werden. Grouped-Query Attention verwendet 64 Query-Köpfe und vier Key/Value-Köpfe. Das Suffix FP8 bezeichnet einen separat veröffentlichten Checkpoint, keine zusätzliche Antwortmodalität oder andere Parameterzahl. Das Modell nimmt Text entgegen und erzeugt Text. Geben Sie einem Codeprüfassistenten Spezifikation, relevante Quelldateien und erwartetes Verhalten vor; verlangen Sie eine Entscheidungstabelle, die ausgewählte Änderung und Beispiele, die das beabsichtigte Ergebnis zeigen.
Der Einstiegsablauf des Herstellers formatiert Quelle und Anweisungen als Gespräch. Kennzeichnen Sie für einen Dokumentvergleich die Versionen, nennen Sie die Autorität jeder Quelle und benennen Sie Anforderungen, die unverändert bleiben müssen. Geben Sie bei einer mathematischen Frage die vollständige Aufgabenstellung und die gewünschte Form der endgültigen Antwort vor. Nennen Sie bei einer Implementierungsaufgabe Sprache, tatsächliche Eingabeform, Fehlerfall und zu bewahrende Schnittstellen. Legen Sie das endgültige Ergebnis ausdrücklich fest, damit eine lange Antwort weiterhin die ursprüngliche Anfrage löst. Die veröffentlichte Integration setzt eine Qwen3-fähige Laufzeitumgebung voraus; die Modellkarte warnt, dass Transformers-Versionen unter 4.51.0 die benötigte Architektur nicht erkennen.
Diese Edition hat eine eigene FP8-Anmerkung. Der Checkpoint verwendet fein granulare FP8-Quantisierung mit Blockgröße 128; seine veröffentlichte Konfiguration hält das Quantisierungsschema fest. Der Hersteller nennt Transformers, SGLang und vLLM als Inferenzoptionen und warnt gleichzeitig vor Problemen mit fein granularer FP8-Quantisierung bei verteilter Transformers-Inferenz. Die Nutzung mehrerer Geräte kann CUDA_LAUNCH_BLOCKING=1 erfordern. Dies ist ein editionsspezifisches Kompatibilitätsdetail, kein Grund, über Laufzeitumgebungen hinweg identische Geschwindigkeit, Speichernutzung oder Ausgabequalität anzunehmen. Bewahren Sie beim Vergleich oder Aufzeichnen von Ergebnissen den vollständigen FP8-Namen und beurteilen Sie den tatsächlichen Checkpoint in der vorgesehenen Umgebung.
Thinking ist in der gelieferten Chatvorlage voreingestellt und lässt sich durch einen festen Schalter deaktivieren. Bei aktiviertem Thinking können /think und /no_think einzelne Gesprächsrunden steuern; die neueste Anweisung hat Vorrang. Textuelle Schalter überschreiben eine feste Deaktivierung nicht. Trennen Sie die endgültige Antwort vom erzeugten Schlussfolgerungsabschnitt und übernehmen Sie die endgültige Antwort in den späteren Gesprächsverlauf. Bei einer detaillierten Widerspruchsanalyse kann Thinking angefordert werden, während bei einer Folgeaufgabe, die eine akzeptierte Schlussfolgerung neu formatiert, eine direkte Antwort angefordert werden kann. Bei aktiviertem Thinking behält selbst eine textuelle Non-Thinking-Anforderung einen Schlussfolgerungsblock bei; sein Inhalt kann leer sein. Die feste Deaktivierung entfernt diesen Block.
Die Modellkarte empfiehlt Qwen-Agent für Werkzeugaufrufvorlagen und Parsing. Bei einem technischen Assistenten könnte die Anwendung einen Testausführer oder eine schreibgeschützte Quellabfrage anbieten, den akzeptierten Aufruf ausführen und Belege für die nächste Antwort zurückgeben. Legen Sie Eingaben, Berechtigungen und Ergebnisfelder des Werkzeugs fest. Verlangen Sie, dass der Assistent seine vorgeschlagene Änderung mit dem zurückgegebenen Ergebnis verknüpft und einen angeforderten Test von einem tatsächlich durch die Anwendung abgeschlossenen Test unterscheidet. Werkzeugbezogene Modellfähigkeiten hängen von diesem umgebenden Ausführungsablauf ab. Der Qwen3-Leitfaden beschreibt auch parallele und mehrschrittige Werkzeugaufrufe, bei denen Argumente als Objekte dargestellt und Ergebnisse ins Gespräch zurückgegeben werden.
Der native Kontext beträgt 32.768 Tokens; 131.072 sind über eine YaRN-Erweiterung dokumentiert. Eingabe und erzeugte Ausgabe teilen das Sequenzbudget. Das größere Fenster erfordert die entsprechende Konfiguration, und statisches YaRN kann kurze Eingaben beeinflussen. Gliedern Sie langes Quellmaterial nach Datei oder Abschnitt und reservieren Sie Platz für den endgültigen Vergleich oder Code. Ausgabelängen im Schnellstart und in Empfehlungen bewährter Vorgehensweisen sind Generierungsanleitung, kein Beleg für ein eigenständiges dienstweites Ausgabemaximum. Die Qwen3-Dokumentation behandelt in ihrer Erklärung der Trainingslänge Assistentennachrichten mit 38.912 Tokens im Thinking-Modus und 16.384 im Non-Thinking-Modus und empfiehlt, die Qualität längerer Generierung zu beurteilen. Diese Zahlen unterscheiden sich vom gesamten Kontextfenster und sind keine endpunktspezifische feste Obergrenze. Die Modellkarte erklärt auch die standardmäßige Positionszuweisung von 40.960 Tokens als 8.192 für typische Prompts plus 32.768 für die Ausgabe; das ist Konfigurationsanleitung des Herstellers, getrennt vom nativen Trainingskontext und jeder Endpunktgrenze.
Empfohlenes Sampling im Thinking-Modus verwendet temperature 0,6, top-p 0,95, top-k 20 und min-p 0; der Direktmodus verwendet 0,7, 0,8, 20 und 0. Greedy Decoding im Thinking-Modus kann Wiederholungen verursachen, und stärkere Presence Penalties können Sprachmischung auslösen. Verlangen Sie eine überprüfbare endgültige Struktur, etwa eine Ergebnistabelle mit anschließender geänderter Funktion und relevanten Fällen. Prüfen Sie numerische Schlussfolgerungen, führen Sie Code in der Zielumgebung aus und prüfen Sie Werkzeugergebnisse, bevor Sie eine vorgeschlagene Änderung anwenden. Die Identität des FP8-Checkpoints und seine Laufzeithinweise sollten mit dieser Beurteilung verbunden bleiben.
", "aboutText": "Qwen3-235B-A22B-FP8 ist die offizielle FP8-Edition von Qwen3-235B-A22B. Seine beworbenen Textfähigkeiten umfassen mathematisches und logisches Schlussfolgern, Codegenerierung, kreatives Schreiben, rollenbasierte Gespräche und Anweisungsbefolgung über mehrere Gesprächsrunden in mehr als 100 Sprachen und Dialekten. Es verbindet Thinking- und Direktantwortmodi. Nutzen Sie es für eine Aufgabe mit mehreren verbundenen Bedingungen, etwa zwei Implementierungen anhand derselben Spezifikation zu vergleichen und den Vergleich in einen konkreten Änderungsvorschlag umzusetzen.\n\nDie zugrunde liegende Architektur ist Mixture-of-Experts: insgesamt 235 Milliarden Parameter, 22 Milliarden während der Verarbeitung aktiv, 94 Schichten und 128 Experten, von denen acht pro Token ausgewählt werden. Grouped-Query Attention verwendet 64 Query-Köpfe und vier Key/Value-Köpfe. Das Suffix FP8 bezeichnet einen separat veröffentlichten Checkpoint, keine zusätzliche Antwortmodalität oder andere Parameterzahl. Das Modell nimmt Text entgegen und erzeugt Text. Geben Sie einem Codeprüfassistenten Spezifikation, relevante Quelldateien und erwartetes Verhalten vor; verlangen Sie eine Entscheidungstabelle, die ausgewählte Änderung und Beispiele, die das beabsichtigte Ergebnis zeigen.\n\nDer Einstiegsablauf des Herstellers formatiert Quelle und Anweisungen als Gespräch. Kennzeichnen Sie für einen Dokumentvergleich die Versionen, nennen Sie die Autorität jeder Quelle und benennen Sie Anforderungen, die unverändert bleiben müssen. Geben Sie bei einer mathematischen Frage die vollständige Aufgabenstellung und die gewünschte Form der endgültigen Antwort vor. Nennen Sie bei einer Implementierungsaufgabe Sprache, tatsächliche Eingabeform, Fehlerfall und zu bewahrende Schnittstellen. Legen Sie das endgültige Ergebnis ausdrücklich fest, damit eine lange Antwort weiterhin die ursprüngliche Anfrage löst. Die veröffentlichte Integration setzt eine Qwen3-fähige Laufzeitumgebung voraus; die Modellkarte warnt, dass Transformers-Versionen unter 4.51.0 die benötigte Architektur nicht erkennen.\n\nDiese Edition hat eine eigene FP8-Anmerkung. Der Checkpoint verwendet fein granulare FP8-Quantisierung mit Blockgröße 128; seine veröffentlichte Konfiguration hält das Quantisierungsschema fest. Der Hersteller nennt Transformers, SGLang und vLLM als Inferenzoptionen und warnt gleichzeitig vor Problemen mit fein granularer FP8-Quantisierung bei verteilter Transformers-Inferenz. Die Nutzung mehrerer Geräte kann CUDA_LAUNCH_BLOCKING=1 erfordern. Dies ist ein editionsspezifisches Kompatibilitätsdetail, kein Grund, über Laufzeitumgebungen hinweg identische Geschwindigkeit, Speichernutzung oder Ausgabequalität anzunehmen. Bewahren Sie beim Vergleich oder Aufzeichnen von Ergebnissen den vollständigen FP8-Namen und beurteilen Sie den tatsächlichen Checkpoint in der vorgesehenen Umgebung.\n\nThinking ist in der gelieferten Chatvorlage voreingestellt und lässt sich durch einen festen Schalter deaktivieren. Bei aktiviertem Thinking können /think und /no_think einzelne Gesprächsrunden steuern; die neueste Anweisung hat Vorrang. Textuelle Schalter überschreiben eine feste Deaktivierung nicht. Trennen Sie die endgültige Antwort vom erzeugten Schlussfolgerungsabschnitt und übernehmen Sie die endgültige Antwort in den späteren Gesprächsverlauf. Bei einer detaillierten Widerspruchsanalyse kann Thinking angefordert werden, während bei einer Folgeaufgabe, die eine akzeptierte Schlussfolgerung neu formatiert, eine direkte Antwort angefordert werden kann. Bei aktiviertem Thinking behält selbst eine textuelle Non-Thinking-Anforderung einen Schlussfolgerungsblock bei; sein Inhalt kann leer sein. Die feste Deaktivierung entfernt diesen Block.\n\nDie Modellkarte empfiehlt Qwen-Agent für Werkzeugaufrufvorlagen und Parsing. Bei einem technischen Assistenten könnte die Anwendung einen Testausführer oder eine schreibgeschützte Quellabfrage anbieten, den akzeptierten Aufruf ausführen und Belege für die nächste Antwort zurückgeben. Legen Sie Eingaben, Berechtigungen und Ergebnisfelder des Werkzeugs fest. Verlangen Sie, dass der Assistent seine vorgeschlagene Änderung mit dem zurückgegebenen Ergebnis verknüpft und einen angeforderten Test von einem tatsächlich durch die Anwendung abgeschlossenen Test unterscheidet. Werkzeugbezogene Modellfähigkeiten hängen von diesem umgebenden Ausführungsablauf ab. Der Qwen3-Leitfaden beschreibt auch parallele und mehrschrittige Werkzeugaufrufe, bei denen Argumente als Objekte dargestellt und Ergebnisse ins Gespräch zurückgegeben werden.\n\nDer native Kontext beträgt 32.768 Tokens; 131.072 sind über eine YaRN-Erweiterung dokumentiert. Eingabe und erzeugte Ausgabe teilen das Sequenzbudget. Das größere Fenster erfordert die entsprechende Konfiguration, und statisches YaRN kann kurze Eingaben beeinflussen. Gliedern Sie langes Quellmaterial nach Datei oder Abschnitt und reservieren Sie Platz für den endgültigen Vergleich oder Code. Ausgabelängen im Schnellstart und in Empfehlungen bewährter Vorgehensweisen sind Generierungsanleitung, kein Beleg für ein eigenständiges dienstweites Ausgabemaximum. Die Qwen3-Dokumentation behandelt in ihrer Erklärung der Trainingslänge Assistentennachrichten mit 38.912 Tokens im Thinking-Modus und 16.384 im Non-Thinking-Modus und empfiehlt, die Qualität längerer Generierung zu beurteilen. Diese Zahlen unterscheiden sich vom gesamten Kontextfenster und sind keine endpunktspezifische feste Obergrenze. Die Modellkarte erklärt auch die standardmäßige Positionszuweisung von 40.960 Tokens als 8.192 für typische Prompts plus 32.768 für die Ausgabe; das ist Konfigurationsanleitung des Herstellers, getrennt vom nativen Trainingskontext und jeder Endpunktgrenze.\n\nEmpfohlenes Sampling im Thinking-Modus verwendet temperature 0,6, top-p 0,95, top-k 20 und min-p 0; der Direktmodus verwendet 0,7, 0,8, 20 und 0. Greedy Decoding im Thinking-Modus kann Wiederholungen verursachen, und stärkere Presence Penalties können Sprachmischung auslösen. Verlangen Sie eine überprüfbare endgültige Struktur, etwa eine Ergebnistabelle mit anschließender geänderter Funktion und relevanten Fällen. Prüfen Sie numerische Schlussfolgerungen, führen Sie Code in der Zielumgebung aus und prüfen Sie Werkzeugergebnisse, bevor Sie eine vorgeschlagene Änderung anwenden. Die Identität des FP8-Checkpoints und seine Laufzeithinweise sollten mit dieser Beurteilung verbunden bleiben.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Compare two normalizers to a contract\n\nThe contract requires unique case-sensitive tags in first-occurrence order. Compare Python A: return sorted(set(tags)) with B: return list(dict.fromkeys(tags)). Input: ["red", "Blue", "red", "blue"]. Give a criterion table, select the compliant implementation and provide tests for order and case preservation. Do not alter the contract to fit either implementation.A two-implementation decision table, a selected implementation and two contract-focused tests.Check that sorting is recognized as an order violation and Blue remains distinct from blue.qwen/qwen3-235b-a22b-fp8Qwen3-235B-A22B-FP8 ist der offizielle fein granular quantisierte FP8-Checkpoint von Qwen3s großem Mixture-of-Experts-Modell. Er behält hybride textuelle Schlussfolgerungs- und Gesprächsfähigkeiten mit eigener Quantisierungsidentität und Überlegungen zur Laufzeitumgebung.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3-235B-A22B-FP8 ist die offizielle FP8-Edition von Qwen3-235B-A22B. Seine beworbenen Textfähigkeiten umfassen mathematisches und logisches Schlussfolgern, Codegenerierung, kreatives Schreiben, rollenbasierte Gespräche und Anweisungsbefolgung über mehrere Gesprächsrunden in mehr als 100 Sprachen und Dialekten. Es verbindet Thinking- und Direktantwortmodi. Nutzen Sie es für eine Aufgabe mit mehreren verbundenen Bedingungen, etwa zwei Implementierungen anhand derselben Spezifikation zu vergleichen und den Vergleich in einen konkreten Änderungsvorschlag umzusetzen.
Die zugrunde liegende Architektur ist Mixture-of-Experts: insgesamt 235 Milliarden Parameter, 22 Milliarden während der Verarbeitung aktiv, 94 Schichten und 128 Experten, von denen acht pro Token ausgewählt werden. Grouped-Query Attention verwendet 64 Query-Köpfe und vier Key/Value-Köpfe. Das Suffix FP8 bezeichnet einen separat veröffentlichten Checkpoint, keine zusätzliche Antwortmodalität oder andere Parameterzahl. Das Modell nimmt Text entgegen und erzeugt Text. Geben Sie einem Codeprüfassistenten Spezifikation, relevante Quelldateien und erwartetes Verhalten vor; verlangen Sie eine Entscheidungstabelle, die ausgewählte Änderung und Beispiele, die das beabsichtigte Ergebnis zeigen.
Der Einstiegsablauf des Herstellers formatiert Quelle und Anweisungen als Gespräch. Kennzeichnen Sie für einen Dokumentvergleich die Versionen, nennen Sie die Autorität jeder Quelle und benennen Sie Anforderungen, die unverändert bleiben müssen. Geben Sie bei einer mathematischen Frage die vollständige Aufgabenstellung und die gewünschte Form der endgültigen Antwort vor. Nennen Sie bei einer Implementierungsaufgabe Sprache, tatsächliche Eingabeform, Fehlerfall und zu bewahrende Schnittstellen. Legen Sie das endgültige Ergebnis ausdrücklich fest, damit eine lange Antwort weiterhin die ursprüngliche Anfrage löst. Die veröffentlichte Integration setzt eine Qwen3-fähige Laufzeitumgebung voraus; die Modellkarte warnt, dass Transformers-Versionen unter 4.51.0 die benötigte Architektur nicht erkennen.
Diese Edition hat eine eigene FP8-Anmerkung. Der Checkpoint verwendet fein granulare FP8-Quantisierung mit Blockgröße 128; seine veröffentlichte Konfiguration hält das Quantisierungsschema fest. Der Hersteller nennt Transformers, SGLang und vLLM als Inferenzoptionen und warnt gleichzeitig vor Problemen mit fein granularer FP8-Quantisierung bei verteilter Transformers-Inferenz. Die Nutzung mehrerer Geräte kann CUDA_LAUNCH_BLOCKING=1 erfordern. Dies ist ein editionsspezifisches Kompatibilitätsdetail, kein Grund, über Laufzeitumgebungen hinweg identische Geschwindigkeit, Speichernutzung oder Ausgabequalität anzunehmen. Bewahren Sie beim Vergleich oder Aufzeichnen von Ergebnissen den vollständigen FP8-Namen und beurteilen Sie den tatsächlichen Checkpoint in der vorgesehenen Umgebung.
Thinking ist in der gelieferten Chatvorlage voreingestellt und lässt sich durch einen festen Schalter deaktivieren. Bei aktiviertem Thinking können /think und /no_think einzelne Gesprächsrunden steuern; die neueste Anweisung hat Vorrang. Textuelle Schalter überschreiben eine feste Deaktivierung nicht. Trennen Sie die endgültige Antwort vom erzeugten Schlussfolgerungsabschnitt und übernehmen Sie die endgültige Antwort in den späteren Gesprächsverlauf. Bei einer detaillierten Widerspruchsanalyse kann Thinking angefordert werden, während bei einer Folgeaufgabe, die eine akzeptierte Schlussfolgerung neu formatiert, eine direkte Antwort angefordert werden kann. Bei aktiviertem Thinking behält selbst eine textuelle Non-Thinking-Anforderung einen Schlussfolgerungsblock bei; sein Inhalt kann leer sein. Die feste Deaktivierung entfernt diesen Block.
Die Modellkarte empfiehlt Qwen-Agent für Werkzeugaufrufvorlagen und Parsing. Bei einem technischen Assistenten könnte die Anwendung einen Testausführer oder eine schreibgeschützte Quellabfrage anbieten, den akzeptierten Aufruf ausführen und Belege für die nächste Antwort zurückgeben. Legen Sie Eingaben, Berechtigungen und Ergebnisfelder des Werkzeugs fest. Verlangen Sie, dass der Assistent seine vorgeschlagene Änderung mit dem zurückgegebenen Ergebnis verknüpft und einen angeforderten Test von einem tatsächlich durch die Anwendung abgeschlossenen Test unterscheidet. Werkzeugbezogene Modellfähigkeiten hängen von diesem umgebenden Ausführungsablauf ab. Der Qwen3-Leitfaden beschreibt auch parallele und mehrschrittige Werkzeugaufrufe, bei denen Argumente als Objekte dargestellt und Ergebnisse ins Gespräch zurückgegeben werden.
Der native Kontext beträgt 32.768 Tokens; 131.072 sind über eine YaRN-Erweiterung dokumentiert. Eingabe und erzeugte Ausgabe teilen das Sequenzbudget. Das größere Fenster erfordert die entsprechende Konfiguration, und statisches YaRN kann kurze Eingaben beeinflussen. Gliedern Sie langes Quellmaterial nach Datei oder Abschnitt und reservieren Sie Platz für den endgültigen Vergleich oder Code. Ausgabelängen im Schnellstart und in Empfehlungen bewährter Vorgehensweisen sind Generierungsanleitung, kein Beleg für ein eigenständiges dienstweites Ausgabemaximum. Die Qwen3-Dokumentation behandelt in ihrer Erklärung der Trainingslänge Assistentennachrichten mit 38.912 Tokens im Thinking-Modus und 16.384 im Non-Thinking-Modus und empfiehlt, die Qualität längerer Generierung zu beurteilen. Diese Zahlen unterscheiden sich vom gesamten Kontextfenster und sind keine endpunktspezifische feste Obergrenze. Die Modellkarte erklärt auch die standardmäßige Positionszuweisung von 40.960 Tokens als 8.192 für typische Prompts plus 32.768 für die Ausgabe; das ist Konfigurationsanleitung des Herstellers, getrennt vom nativen Trainingskontext und jeder Endpunktgrenze.
Empfohlenes Sampling im Thinking-Modus verwendet temperature 0,6, top-p 0,95, top-k 20 und min-p 0; der Direktmodus verwendet 0,7, 0,8, 20 und 0. Greedy Decoding im Thinking-Modus kann Wiederholungen verursachen, und stärkere Presence Penalties können Sprachmischung auslösen. Verlangen Sie eine überprüfbare endgültige Struktur, etwa eine Ergebnistabelle mit anschließender geänderter Funktion und relevanten Fällen. Prüfen Sie numerische Schlussfolgerungen, führen Sie Code in der Zielumgebung aus und prüfen Sie Werkzeugergebnisse, bevor Sie eine vorgeschlagene Änderung anwenden. Die Identität des FP8-Checkpoints und seine Laufzeithinweise sollten mit dieser Beurteilung verbunden bleiben.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-235b-a22b-fp8 | 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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0016 / 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/qwen3-235b-a22b-fp8", "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/qwen3-235b-a22b-fp8',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/qwen3-235b-a22b-fp8',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/qwen3-235b-a22b-fp8
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3-235b-a22b-fp8Qwen3-235B-A22B-FP8 ist der offizielle fein granular quantisierte FP8-Checkpoint von Qwen3s großem Mixture-of-Experts-Modell. Er behält hybride textuelle Schlussfolgerungs- und Gesprächsfähigkeiten mit eigener Quantisierungsidentität und Überlegungen zur Laufzeitumgebung.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3-235B-A22B-FP8 ist die offizielle FP8-Edition von Qwen3-235B-A22B. Seine beworbenen Textfähigkeiten umfassen mathematisches und logisches Schlussfolgern, Codegenerierung, kreatives Schreiben, rollenbasierte Gespräche und Anweisungsbefolgung über mehrere Gesprächsrunden in mehr als 100 Sprachen und Dialekten. Es verbindet Thinking- und Direktantwortmodi. Nutzen Sie es für eine Aufgabe mit mehreren verbundenen Bedingungen, etwa zwei Implementierungen anhand derselben Spezifikation zu vergleichen und den Vergleich in einen konkreten Änderungsvorschlag umzusetzen.
Die zugrunde liegende Architektur ist Mixture-of-Experts: insgesamt 235 Milliarden Parameter, 22 Milliarden während der Verarbeitung aktiv, 94 Schichten und 128 Experten, von denen acht pro Token ausgewählt werden. Grouped-Query Attention verwendet 64 Query-Köpfe und vier Key/Value-Köpfe. Das Suffix FP8 bezeichnet einen separat veröffentlichten Checkpoint, keine zusätzliche Antwortmodalität oder andere Parameterzahl. Das Modell nimmt Text entgegen und erzeugt Text. Geben Sie einem Codeprüfassistenten Spezifikation, relevante Quelldateien und erwartetes Verhalten vor; verlangen Sie eine Entscheidungstabelle, die ausgewählte Änderung und Beispiele, die das beabsichtigte Ergebnis zeigen.
Der Einstiegsablauf des Herstellers formatiert Quelle und Anweisungen als Gespräch. Kennzeichnen Sie für einen Dokumentvergleich die Versionen, nennen Sie die Autorität jeder Quelle und benennen Sie Anforderungen, die unverändert bleiben müssen. Geben Sie bei einer mathematischen Frage die vollständige Aufgabenstellung und die gewünschte Form der endgültigen Antwort vor. Nennen Sie bei einer Implementierungsaufgabe Sprache, tatsächliche Eingabeform, Fehlerfall und zu bewahrende Schnittstellen. Legen Sie das endgültige Ergebnis ausdrücklich fest, damit eine lange Antwort weiterhin die ursprüngliche Anfrage löst. Die veröffentlichte Integration setzt eine Qwen3-fähige Laufzeitumgebung voraus; die Modellkarte warnt, dass Transformers-Versionen unter 4.51.0 die benötigte Architektur nicht erkennen.
Diese Edition hat eine eigene FP8-Anmerkung. Der Checkpoint verwendet fein granulare FP8-Quantisierung mit Blockgröße 128; seine veröffentlichte Konfiguration hält das Quantisierungsschema fest. Der Hersteller nennt Transformers, SGLang und vLLM als Inferenzoptionen und warnt gleichzeitig vor Problemen mit fein granularer FP8-Quantisierung bei verteilter Transformers-Inferenz. Die Nutzung mehrerer Geräte kann CUDA_LAUNCH_BLOCKING=1 erfordern. Dies ist ein editionsspezifisches Kompatibilitätsdetail, kein Grund, über Laufzeitumgebungen hinweg identische Geschwindigkeit, Speichernutzung oder Ausgabequalität anzunehmen. Bewahren Sie beim Vergleich oder Aufzeichnen von Ergebnissen den vollständigen FP8-Namen und beurteilen Sie den tatsächlichen Checkpoint in der vorgesehenen Umgebung.
Thinking ist in der gelieferten Chatvorlage voreingestellt und lässt sich durch einen festen Schalter deaktivieren. Bei aktiviertem Thinking können /think und /no_think einzelne Gesprächsrunden steuern; die neueste Anweisung hat Vorrang. Textuelle Schalter überschreiben eine feste Deaktivierung nicht. Trennen Sie die endgültige Antwort vom erzeugten Schlussfolgerungsabschnitt und übernehmen Sie die endgültige Antwort in den späteren Gesprächsverlauf. Bei einer detaillierten Widerspruchsanalyse kann Thinking angefordert werden, während bei einer Folgeaufgabe, die eine akzeptierte Schlussfolgerung neu formatiert, eine direkte Antwort angefordert werden kann. Bei aktiviertem Thinking behält selbst eine textuelle Non-Thinking-Anforderung einen Schlussfolgerungsblock bei; sein Inhalt kann leer sein. Die feste Deaktivierung entfernt diesen Block.
Die Modellkarte empfiehlt Qwen-Agent für Werkzeugaufrufvorlagen und Parsing. Bei einem technischen Assistenten könnte die Anwendung einen Testausführer oder eine schreibgeschützte Quellabfrage anbieten, den akzeptierten Aufruf ausführen und Belege für die nächste Antwort zurückgeben. Legen Sie Eingaben, Berechtigungen und Ergebnisfelder des Werkzeugs fest. Verlangen Sie, dass der Assistent seine vorgeschlagene Änderung mit dem zurückgegebenen Ergebnis verknüpft und einen angeforderten Test von einem tatsächlich durch die Anwendung abgeschlossenen Test unterscheidet. Werkzeugbezogene Modellfähigkeiten hängen von diesem umgebenden Ausführungsablauf ab. Der Qwen3-Leitfaden beschreibt auch parallele und mehrschrittige Werkzeugaufrufe, bei denen Argumente als Objekte dargestellt und Ergebnisse ins Gespräch zurückgegeben werden.
Der native Kontext beträgt 32.768 Tokens; 131.072 sind über eine YaRN-Erweiterung dokumentiert. Eingabe und erzeugte Ausgabe teilen das Sequenzbudget. Das größere Fenster erfordert die entsprechende Konfiguration, und statisches YaRN kann kurze Eingaben beeinflussen. Gliedern Sie langes Quellmaterial nach Datei oder Abschnitt und reservieren Sie Platz für den endgültigen Vergleich oder Code. Ausgabelängen im Schnellstart und in Empfehlungen bewährter Vorgehensweisen sind Generierungsanleitung, kein Beleg für ein eigenständiges dienstweites Ausgabemaximum. Die Qwen3-Dokumentation behandelt in ihrer Erklärung der Trainingslänge Assistentennachrichten mit 38.912 Tokens im Thinking-Modus und 16.384 im Non-Thinking-Modus und empfiehlt, die Qualität längerer Generierung zu beurteilen. Diese Zahlen unterscheiden sich vom gesamten Kontextfenster und sind keine endpunktspezifische feste Obergrenze. Die Modellkarte erklärt auch die standardmäßige Positionszuweisung von 40.960 Tokens als 8.192 für typische Prompts plus 32.768 für die Ausgabe; das ist Konfigurationsanleitung des Herstellers, getrennt vom nativen Trainingskontext und jeder Endpunktgrenze.
Empfohlenes Sampling im Thinking-Modus verwendet temperature 0,6, top-p 0,95, top-k 20 und min-p 0; der Direktmodus verwendet 0,7, 0,8, 20 und 0. Greedy Decoding im Thinking-Modus kann Wiederholungen verursachen, und stärkere Presence Penalties können Sprachmischung auslösen. Verlangen Sie eine überprüfbare endgültige Struktur, etwa eine Ergebnistabelle mit anschließender geänderter Funktion und relevanten Fällen. Prüfen Sie numerische Schlussfolgerungen, führen Sie Code in der Zielumgebung aus und prüfen Sie Werkzeugergebnisse, bevor Sie eine vorgeschlagene Änderung anwenden. Die Identität des FP8-Checkpoints und seine Laufzeithinweise sollten mit dieser Beurteilung verbunden bleiben.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-235b-a22b-fp8 | 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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0016 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3-235b-a22b-fp8",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3-235b-a22b-fp8', '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/qwen3-235b-a22b-fp8', '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/qwen3-235b-a22b-fp8
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Compare two normalizers to a contract\n\nThe contract requires unique case-sensitive tags in first-occurrence order. Compare Python A: return sorted(set(tags)) with B: return list(dict.fromkeys(tags)). Input: ["red", "Blue", "red", "blue"]. Give a criterion table, select the compliant implementation and provide tests for order and case preservation. Do not alter the contract to fit either implementation.A two-implementation decision table, a selected implementation and two contract-focused tests.Check that sorting is recognized as an order violation and Blue remains distinct from blue.