Qwen3-30B-A3B verbindet zwei Antwortstile in einem Textmodell: Thinking für komplexe logische, mathematische und Programmierprobleme sowie Non-Thinking für einfache Gespräche. Qwen betont auch kreatives Schreiben, rollenbasierte Gespräche, Anweisungsbefolgung und die Integration externer Werkzeuge. Die ursprüngliche Qwen3-Familie unterstützt 119 Sprachen und Dialekte. Das macht dieses Modell für mehrsprachige Fragen, Übersetzungen und Gespräche nützlich, bei denen sich die gewünschte Sprache zwischen den Gesprächsrunden ändern kann. Nennen Sie die Ausgabesprache, bewahren Sie unverändert zu haltende Terminologie und beschreiben Sie die Bedürfnisse des Lesers.
Dies ist die ursprüngliche Mixture-of-Experts-Edition Qwen3-30B-A3B. Von ihren insgesamt 30,5 Milliarden Parametern werden 3,3 Milliarden für jedes Token aktiviert; in den Expertenschichten des Modells werden acht seiner 128 Experten ausgewählt. Die dünn besetzte Architektur ist ein wesentlicher Unterschied zu Qwen3s dichten Modellen. Dieses Profil betrifft das ursprüngliche hybride Modell mit einem nativen Kontext von 32.768 Tokens, nicht eine spätere separat benannte Instruct-2507- oder Thinking-2507-Edition. Geben Sie für einen Analyseauftrag relevante Code- oder Quellpassagen, die zu klärende Frage und die Bedingungen vor, die eine gültige Antwort erfüllen muss.
In der offiziellen Chatvorlage ist Thinking standardmäßig aktiviert. Der feste Schalter enable_thinking kann es vollständig deaktivieren. Wenn Thinking aktiviert bleibt, wirken /think und /no_think in einer Nutzer- oder Systemanweisung als textuelle Schalter; die neueste Anweisung bestimmt das gewünschte Verhalten über Gesprächsrunden hinweg. Eine /no_think-Anforderung bei aktivierter Vorlage kann weiterhin einen leeren Thinking-Block erzeugen; bei deaktiviertem festem Schalter aktiviert keine der Markierungen Thinking. Diese Unterscheidung ist wichtig, wenn ein Ablauf zwischen einer sofortigen Überarbeitung und einer aufwendigeren Debugging- oder Schlussfolgerungsfrage wechselt.
Qwens Beispiele trennen den <think>-Abschnitt von der endgültigen Antwort. Bereiten Sie für ein Codeproblem den kleinsten relevanten Quellauszug, den beobachteten Fehler und das gewünschte Ergebnis vor und fragen Sie dann nach einer Diagnose und vorgeschlagenen Korrektur. Bei einem Mathematikproblem empfiehlt der Hersteller eine ausdrückliche schrittweise Anweisung mit der endgültigen Antwort in \\boxed{}. Ein Multiple-Choice-Auftrag kann stattdessen ein einzelnes Antwortfeld festlegen. Für spätere Gesprächsrunden empfiehlt Qwen, die endgültige Antwort zu behalten und frühere Thinking-Inhalte aus dem Verlauf wegzulassen, statt den gesamten Schlussfolgerungsabschnitt immer wieder mitzuführen.
Werkzeugaufrufe werden für beide Modi beschrieben. Qwen empfiehlt Qwen-Agent für die Werkzeugvorlagen des Modells und das Parsing seiner Werkzeugaufrufe, mit Beispielen für Informationsabruf, Zeitinformationen und einen Codeinterpreter. Beschreiben Sie verfügbare Werkzeuge und ihre Argumente, bevor Sie die Planung einer Abfolge verlangen. Ein nützlicher Auftrag könnte ausgewählte Dokumentation prüfen und anschließend einen begründeten Implementierungsvorschlag verlangen; geben Sie jedes Werkzeugergebnis ins Gespräch zurück, damit das Modell anhand tatsächlicher Belege fortfahren kann. Die textuelle Werkzeuganforderung und das von der Anwendung ausgeführte Ergebnis bleiben getrennte Teile dieses Ablaufs.
Die Modellkarte beschreibt eine Kontexterweiterung auf 131.072 Tokens mit YaRN. Dies ist eine konfigurationsabhängige Erweiterung des nativen Fensters; Qwen warnt, dass statische Skalierung kürzere Eingaben beeinflussen kann. Die Modellkarte erklärt auch eine Standardkonfiguration mit 40.960 Positionen, die Platz für einen typischen Prompt und eine lange Antwort zuweist; dies unterscheidet sich von ihrer Beschreibung des nativen Kontexts. Bereiten Sie langes Material mit klaren Dokumentgrenzen vor, priorisieren Sie die für die Frage relevanten Teile und lassen Sie Platz für die Antwort und gegebenenfalls Schlussfolgern.
Für Thinking empfiehlt Qwen temperature 0,6, top-p 0,95, top-k 20 und min-p 0 und rät von Greedy Decoding ab, da es Ergebnisse verschlechtern oder unbegrenzt wiederholen kann. Für Non-Thinking ändert die Anleitung temperature auf 0,7 und top-p auf 0,8. Sie empfiehlt 32.768 Tokens Ausgabelänge für die meisten Anfragen und nennt 38.912 Tokens für besonders anspruchsvolle Mathematik- und Programmierprobleme. Das sind Generierungseinstellungen des Herstellers, keine eigenständige feste Antwortgarantie. Wählen Sie Modus und gewünschtes Ergebnis gemeinsam, damit die Antwort Platz für notwendiges Schlussfolgern und das nützliche Endergebnis hat.
", "aboutText": "Qwen3-30B-A3B verbindet zwei Antwortstile in einem Textmodell: Thinking für komplexe logische, mathematische und Programmierprobleme sowie Non-Thinking für einfache Gespräche. Qwen betont auch kreatives Schreiben, rollenbasierte Gespräche, Anweisungsbefolgung und die Integration externer Werkzeuge. Die ursprüngliche Qwen3-Familie unterstützt 119 Sprachen und Dialekte. Das macht dieses Modell für mehrsprachige Fragen, Übersetzungen und Gespräche nützlich, bei denen sich die gewünschte Sprache zwischen den Gesprächsrunden ändern kann. Nennen Sie die Ausgabesprache, bewahren Sie unverändert zu haltende Terminologie und beschreiben Sie die Bedürfnisse des Lesers.\n\nDies ist die ursprüngliche Mixture-of-Experts-Edition Qwen3-30B-A3B. Von ihren insgesamt 30,5 Milliarden Parametern werden 3,3 Milliarden für jedes Token aktiviert; in den Expertenschichten des Modells werden acht seiner 128 Experten ausgewählt. Die dünn besetzte Architektur ist ein wesentlicher Unterschied zu Qwen3s dichten Modellen. Dieses Profil betrifft das ursprüngliche hybride Modell mit einem nativen Kontext von 32.768 Tokens, nicht eine spätere separat benannte Instruct-2507- oder Thinking-2507-Edition. Geben Sie für einen Analyseauftrag relevante Code- oder Quellpassagen, die zu klärende Frage und die Bedingungen vor, die eine gültige Antwort erfüllen muss.\n\nIn der offiziellen Chatvorlage ist Thinking standardmäßig aktiviert. Der feste Schalter enable_thinking kann es vollständig deaktivieren. Wenn Thinking aktiviert bleibt, wirken /think und /no_think in einer Nutzer- oder Systemanweisung als textuelle Schalter; die neueste Anweisung bestimmt das gewünschte Verhalten über Gesprächsrunden hinweg. Eine /no_think-Anforderung bei aktivierter Vorlage kann weiterhin einen leeren Thinking-Block erzeugen; bei deaktiviertem festem Schalter aktiviert keine der Markierungen Thinking. Diese Unterscheidung ist wichtig, wenn ein Ablauf zwischen einer sofortigen Überarbeitung und einer aufwendigeren Debugging- oder Schlussfolgerungsfrage wechselt.\n\nQwens Beispiele trennen denTechnisches Beispiel auf Englisch
Explain a weighted-average mistake\n\nA student averages two class scores as (80 + 90) / 2. The first class has 10 students and the second has 30. Explain why that calculation does not give the combined student average, derive the correct weighted expression and state when the simple average would be valid. Finish with the combined average in a separate final line.A short explanation, a weighted formula, its evaluated result and the equal-weight condition.The explanation uses student counts as weights and distinguishes a class average from a student average.qwen/qwen3-30b-a3bQwen3-30B-A3B ist Qwens Mixture-of-Experts-Textmodell mit Thinking- und Non-Thinking-Modi für Schlussfolgern, Programmierung und mehrsprachige Gespräche. Es hat insgesamt 30,5 Milliarden Parameter, 3,3 Milliarden aktiv pro Token und 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.
Qwen3-30B-A3B verbindet zwei Antwortstile in einem Textmodell: Thinking für komplexe logische, mathematische und Programmierprobleme sowie Non-Thinking für einfache Gespräche. Qwen betont auch kreatives Schreiben, rollenbasierte Gespräche, Anweisungsbefolgung und die Integration externer Werkzeuge. Die ursprüngliche Qwen3-Familie unterstützt 119 Sprachen und Dialekte. Das macht dieses Modell für mehrsprachige Fragen, Übersetzungen und Gespräche nützlich, bei denen sich die gewünschte Sprache zwischen den Gesprächsrunden ändern kann. Nennen Sie die Ausgabesprache, bewahren Sie unverändert zu haltende Terminologie und beschreiben Sie die Bedürfnisse des Lesers.
Dies ist die ursprüngliche Mixture-of-Experts-Edition Qwen3-30B-A3B. Von ihren insgesamt 30,5 Milliarden Parametern werden 3,3 Milliarden für jedes Token aktiviert; in den Expertenschichten des Modells werden acht seiner 128 Experten ausgewählt. Die dünn besetzte Architektur ist ein wesentlicher Unterschied zu Qwen3s dichten Modellen. Dieses Profil betrifft das ursprüngliche hybride Modell mit einem nativen Kontext von 32.768 Tokens, nicht eine spätere separat benannte Instruct-2507- oder Thinking-2507-Edition. Geben Sie für einen Analyseauftrag relevante Code- oder Quellpassagen, die zu klärende Frage und die Bedingungen vor, die eine gültige Antwort erfüllen muss.
In der offiziellen Chatvorlage ist Thinking standardmäßig aktiviert. Der feste Schalter enable_thinking kann es vollständig deaktivieren. Wenn Thinking aktiviert bleibt, wirken /think und /no_think in einer Nutzer- oder Systemanweisung als textuelle Schalter; die neueste Anweisung bestimmt das gewünschte Verhalten über Gesprächsrunden hinweg. Eine /no_think-Anforderung bei aktivierter Vorlage kann weiterhin einen leeren Thinking-Block erzeugen; bei deaktiviertem festem Schalter aktiviert keine der Markierungen Thinking. Diese Unterscheidung ist wichtig, wenn ein Ablauf zwischen einer sofortigen Überarbeitung und einer aufwendigeren Debugging- oder Schlussfolgerungsfrage wechselt.
Qwens Beispiele trennen den <think>-Abschnitt von der endgültigen Antwort. Bereiten Sie für ein Codeproblem den kleinsten relevanten Quellauszug, den beobachteten Fehler und das gewünschte Ergebnis vor und fragen Sie dann nach einer Diagnose und vorgeschlagenen Korrektur. Bei einem Mathematikproblem empfiehlt der Hersteller eine ausdrückliche schrittweise Anweisung mit der endgültigen Antwort in \\boxed{}. Ein Multiple-Choice-Auftrag kann stattdessen ein einzelnes Antwortfeld festlegen. Für spätere Gesprächsrunden empfiehlt Qwen, die endgültige Antwort zu behalten und frühere Thinking-Inhalte aus dem Verlauf wegzulassen, statt den gesamten Schlussfolgerungsabschnitt immer wieder mitzuführen.
Werkzeugaufrufe werden für beide Modi beschrieben. Qwen empfiehlt Qwen-Agent für die Werkzeugvorlagen des Modells und das Parsing seiner Werkzeugaufrufe, mit Beispielen für Informationsabruf, Zeitinformationen und einen Codeinterpreter. Beschreiben Sie verfügbare Werkzeuge und ihre Argumente, bevor Sie die Planung einer Abfolge verlangen. Ein nützlicher Auftrag könnte ausgewählte Dokumentation prüfen und anschließend einen begründeten Implementierungsvorschlag verlangen; geben Sie jedes Werkzeugergebnis ins Gespräch zurück, damit das Modell anhand tatsächlicher Belege fortfahren kann. Die textuelle Werkzeuganforderung und das von der Anwendung ausgeführte Ergebnis bleiben getrennte Teile dieses Ablaufs.
Die Modellkarte beschreibt eine Kontexterweiterung auf 131.072 Tokens mit YaRN. Dies ist eine konfigurationsabhängige Erweiterung des nativen Fensters; Qwen warnt, dass statische Skalierung kürzere Eingaben beeinflussen kann. Die Modellkarte erklärt auch eine Standardkonfiguration mit 40.960 Positionen, die Platz für einen typischen Prompt und eine lange Antwort zuweist; dies unterscheidet sich von ihrer Beschreibung des nativen Kontexts. Bereiten Sie langes Material mit klaren Dokumentgrenzen vor, priorisieren Sie die für die Frage relevanten Teile und lassen Sie Platz für die Antwort und gegebenenfalls Schlussfolgern.
Für Thinking empfiehlt Qwen temperature 0,6, top-p 0,95, top-k 20 und min-p 0 und rät von Greedy Decoding ab, da es Ergebnisse verschlechtern oder unbegrenzt wiederholen kann. Für Non-Thinking ändert die Anleitung temperature auf 0,7 und top-p auf 0,8. Sie empfiehlt 32.768 Tokens Ausgabelänge für die meisten Anfragen und nennt 38.912 Tokens für besonders anspruchsvolle Mathematik- und Programmierprobleme. Das sind Generierungseinstellungen des Herstellers, keine eigenständige feste Antwortgarantie. Wählen Sie Modus und gewünschtes Ergebnis gemeinsam, damit die Antwort Platz für notwendiges Schlussfolgern und das nützliche Endergebnis hat.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-30b-a3b | 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 $0.00024 / 1K Tokens Ausgabe · Ausgabetoken $0.001 / 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 $0.00024 / 1K Tokens Ausgabe · Ausgabetoken $0.001 / 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/qwen3-30b-a3b", "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/qwen3-30b-a3b',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/qwen3-30b-a3b',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/qwen3-30b-a3b
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3-30b-a3bQwen3-30B-A3B ist Qwens Mixture-of-Experts-Textmodell mit Thinking- und Non-Thinking-Modi für Schlussfolgern, Programmierung und mehrsprachige Gespräche. Es hat insgesamt 30,5 Milliarden Parameter, 3,3 Milliarden aktiv pro Token und 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.
Qwen3-30B-A3B verbindet zwei Antwortstile in einem Textmodell: Thinking für komplexe logische, mathematische und Programmierprobleme sowie Non-Thinking für einfache Gespräche. Qwen betont auch kreatives Schreiben, rollenbasierte Gespräche, Anweisungsbefolgung und die Integration externer Werkzeuge. Die ursprüngliche Qwen3-Familie unterstützt 119 Sprachen und Dialekte. Das macht dieses Modell für mehrsprachige Fragen, Übersetzungen und Gespräche nützlich, bei denen sich die gewünschte Sprache zwischen den Gesprächsrunden ändern kann. Nennen Sie die Ausgabesprache, bewahren Sie unverändert zu haltende Terminologie und beschreiben Sie die Bedürfnisse des Lesers.
Dies ist die ursprüngliche Mixture-of-Experts-Edition Qwen3-30B-A3B. Von ihren insgesamt 30,5 Milliarden Parametern werden 3,3 Milliarden für jedes Token aktiviert; in den Expertenschichten des Modells werden acht seiner 128 Experten ausgewählt. Die dünn besetzte Architektur ist ein wesentlicher Unterschied zu Qwen3s dichten Modellen. Dieses Profil betrifft das ursprüngliche hybride Modell mit einem nativen Kontext von 32.768 Tokens, nicht eine spätere separat benannte Instruct-2507- oder Thinking-2507-Edition. Geben Sie für einen Analyseauftrag relevante Code- oder Quellpassagen, die zu klärende Frage und die Bedingungen vor, die eine gültige Antwort erfüllen muss.
In der offiziellen Chatvorlage ist Thinking standardmäßig aktiviert. Der feste Schalter enable_thinking kann es vollständig deaktivieren. Wenn Thinking aktiviert bleibt, wirken /think und /no_think in einer Nutzer- oder Systemanweisung als textuelle Schalter; die neueste Anweisung bestimmt das gewünschte Verhalten über Gesprächsrunden hinweg. Eine /no_think-Anforderung bei aktivierter Vorlage kann weiterhin einen leeren Thinking-Block erzeugen; bei deaktiviertem festem Schalter aktiviert keine der Markierungen Thinking. Diese Unterscheidung ist wichtig, wenn ein Ablauf zwischen einer sofortigen Überarbeitung und einer aufwendigeren Debugging- oder Schlussfolgerungsfrage wechselt.
Qwens Beispiele trennen den <think>-Abschnitt von der endgültigen Antwort. Bereiten Sie für ein Codeproblem den kleinsten relevanten Quellauszug, den beobachteten Fehler und das gewünschte Ergebnis vor und fragen Sie dann nach einer Diagnose und vorgeschlagenen Korrektur. Bei einem Mathematikproblem empfiehlt der Hersteller eine ausdrückliche schrittweise Anweisung mit der endgültigen Antwort in \\boxed{}. Ein Multiple-Choice-Auftrag kann stattdessen ein einzelnes Antwortfeld festlegen. Für spätere Gesprächsrunden empfiehlt Qwen, die endgültige Antwort zu behalten und frühere Thinking-Inhalte aus dem Verlauf wegzulassen, statt den gesamten Schlussfolgerungsabschnitt immer wieder mitzuführen.
Werkzeugaufrufe werden für beide Modi beschrieben. Qwen empfiehlt Qwen-Agent für die Werkzeugvorlagen des Modells und das Parsing seiner Werkzeugaufrufe, mit Beispielen für Informationsabruf, Zeitinformationen und einen Codeinterpreter. Beschreiben Sie verfügbare Werkzeuge und ihre Argumente, bevor Sie die Planung einer Abfolge verlangen. Ein nützlicher Auftrag könnte ausgewählte Dokumentation prüfen und anschließend einen begründeten Implementierungsvorschlag verlangen; geben Sie jedes Werkzeugergebnis ins Gespräch zurück, damit das Modell anhand tatsächlicher Belege fortfahren kann. Die textuelle Werkzeuganforderung und das von der Anwendung ausgeführte Ergebnis bleiben getrennte Teile dieses Ablaufs.
Die Modellkarte beschreibt eine Kontexterweiterung auf 131.072 Tokens mit YaRN. Dies ist eine konfigurationsabhängige Erweiterung des nativen Fensters; Qwen warnt, dass statische Skalierung kürzere Eingaben beeinflussen kann. Die Modellkarte erklärt auch eine Standardkonfiguration mit 40.960 Positionen, die Platz für einen typischen Prompt und eine lange Antwort zuweist; dies unterscheidet sich von ihrer Beschreibung des nativen Kontexts. Bereiten Sie langes Material mit klaren Dokumentgrenzen vor, priorisieren Sie die für die Frage relevanten Teile und lassen Sie Platz für die Antwort und gegebenenfalls Schlussfolgern.
Für Thinking empfiehlt Qwen temperature 0,6, top-p 0,95, top-k 20 und min-p 0 und rät von Greedy Decoding ab, da es Ergebnisse verschlechtern oder unbegrenzt wiederholen kann. Für Non-Thinking ändert die Anleitung temperature auf 0,7 und top-p auf 0,8. Sie empfiehlt 32.768 Tokens Ausgabelänge für die meisten Anfragen und nennt 38.912 Tokens für besonders anspruchsvolle Mathematik- und Programmierprobleme. Das sind Generierungseinstellungen des Herstellers, keine eigenständige feste Antwortgarantie. Wählen Sie Modus und gewünschtes Ergebnis gemeinsam, damit die Antwort Platz für notwendiges Schlussfolgern und das nützliche Endergebnis hat.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-30b-a3b | 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 $0.00024 / 1K Tokens Ausgabe · Ausgabetoken $0.001 / 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 $0.00024 / 1K Tokens Ausgabe · Ausgabetoken $0.001 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3-30b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3-30b-a3b', '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/qwen3-30b-a3b', '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/qwen3-30b-a3b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Explain a weighted-average mistake\n\nA student averages two class scores as (80 + 90) / 2. The first class has 10 students and the second has 30. Explain why that calculation does not give the combined student average, derive the correct weighted expression and state when the simple average would be valid. Finish with the combined average in a separate final line.A short explanation, a weighted formula, its evaluated result and the equal-weight condition.The explanation uses student counts as weights and distinguishes a class average from a student average.