Qwen3.8-Schwerpunkte in einem dichten Vision-Language-Modell
Qwen3.8-27B bringt Qwen3.8s Verbesserungen bei Programmierung, professioneller Arbeit, Forschung und Agentenaufgaben in ein dichtes Modell mit 27 Milliarden Parametern. Es nimmt Text, Bilder und Video entgegen und liefert Text zurück. Sein dokumentierter visueller Aufgabenbereich umfasst STEM-Diagramme, Dokumentseiten und Videos im Stundenbereich. Es ist ein eigenständiger Checkpoint gegenüber dem wesentlich größeren, reinen Textmodell Qwen3.8-2.4T-A95B; ihre Eingabefähigkeiten und Thinking-Verträge sollten daher getrennt bleiben.
Qwen betont autonome Planung, die Nutzung von Umgebungsrückmeldungen und die Integration mit Entwicklungs-Harnesses. Stellen Sie für eine Agentenaufgabe Ziel, relevantes Material, erlaubte Tools und Belege bereit, die den Abschluss zeigen würden. Ein Modell kann mithilfe zurückgegebener Ergebnisse Aktionen vorschlagen und überarbeiten; angebundene Software führt diese Aktionen aus. Fordern Sie das endgültige Artefakt und offene Bedingungen an, statt einen Plan als ausgeführtes Ergebnis zu behandeln.
Modellüberblick
Das 27B-Modell besitzt 64 Sprachmodellschichten. Sein hybrider Aufbau gruppiert drei Gated-DeltaNet-Schichten, gefolgt von einer Gated-Attention-Schicht, mit dichten Feed-Forward-Netzen. Es wird mit Multi-Token Prediction trainiert und enthält einen Vision-Encoder. Diese Architekturentscheidungen beschreiben das veröffentlichte Modell; sie bedeuten nicht, dass jede Bereitstellung identischen Speicherbedarf oder identische Latenz hat.
Der native Kontext beträgt 262,144 Tokens, mit dokumentierter Erweiterung auf 1,000,000. Text, visuelle Repräsentation, Gesprächsverlauf, Überlegungen und endgültige Ausgabe teilen sich das konfigurierte Sequenzbudget. Der Hersteller behandelt gesondert eine verwaltete Ausführung mit zusätzlichen Funktionen; diese Funktionen dürfen dem offenen Checkpoint nicht automatisch zugeordnet werden.
Text, Bilder und Video verwenden
Stellen Sie für eine Codeaufgabe die relevante Funktion oder das Modul, eine fehlschlagende Eingabe und das erwartete Verhalten bereit und fordern Sie einen Patch mit den betroffenen Annahmen und Prüfungen an. Bewahren Sie bei einem Diagramm die Beschriftungen und geben Sie die vollständige Frage an. Fordern Sie bei einem Dokument benannte Felder oder Schlussfolgerungen mit Seitenverweisen an. Nennen Sie bei Video das relevante Ereignis und bewahren Sie dessen Zeitinformationen.
Das Videobeispiel des Herstellers verwendet im unterstützten Bereitstellungsablauf standardmäßig zwei Frames pro Sekunde, mit optionalen Sampling-Einstellungen. Eine allgemeine Szenenzusammenfassung und ein kurzes Ereignis können unterschiedliches Sampling benötigen. Die Anleitung für lange Videos empfiehlt, das Budget des Videoprozessors zu erweitern, um bei Material im Stundenbereich Sampling mit höherer Rate zu unterstützen; ein Beispiel entspricht ungefähr 224K Videotokens. Das erfordert Konfiguration und konkurriert mit anderem Kontextinhalt; es ist keine universelle Garantie für die Clipdauer.
Thinking und frühere Überlegungen
Thinking ist standardmäßig aktiviert und kann pro Anfrage über die Herstelleroption enable_thinking deaktiviert werden. reasoning_effort unterstützt xhigh, medium und low, mit xhigh als Standard. Weniger Denkaufwand kann eine einzelne Gesprächsrunde verkürzen; Qwen warnt jedoch, dass unzureichende Analyse bei Agentenaufgaben Fehler und wiederholte Arbeit verursachen und damit die gesamte Erledigungszeit erhöhen kann.
preserve_thinking ist standardmäßig aktiviert und bewahrt Denkblöcke aus früheren Nachrichten für Kontinuität. Bei Deaktivierung bleiben nur die Denkblöcke erhalten, die bei der Bearbeitung der jüngsten Nutzernachricht erzeugt wurden. Das unterscheidet sich von älteren Qwen-Empfehlungen, die frühere Überlegungen vollständig verwerfen. Halten Sie Überlegungen und endgültige Inhalte in der Oberfläche getrennt und bewahren Sie das genaue, vom Checkpoint erwartete Konversationsformat. Herstelleroptionen belegen nicht, welche Parameter eine andere Anwendung anbietet.
Generierungsempfehlungen
Für Thinking empfiehlt Qwen temperature 1.0, top_p 0.95, top_k 20, min_p 0, Presence Penalty 0 und Repetition Penalty 1.0. Für direkte Antworten empfiehlt es jeweils 0.7, 0.8, 20, 0, 1.5 und 1.0. Eine höhere Presence Penalty kann Wiederholungen reduzieren, aber Sprachen vermischen oder die Qualität leicht verringern.
Innerhalb eines konfigurierten Ablaufs mit einer Million Tokens, der separate Grenzen unterstützt, empfiehlt der Hersteller Budgets von 262,144 Tokens für Überlegungen und 131,072 für die endgültige Antwort. Das sind bedingte Budgetempfehlungen, keine unabhängigen harten Ausgabeobergrenzen oder Zuweisungen, die gleichzeitig in den nativen Kontext passen.
Ultralanger Kontext und Grenzen
Die dokumentierte Erweiterung verwendet YaRN mit den eigenen verschachtelten Positionseinstellungen des Modells. Ein Faktor von vier zielt auf den Ablauf mit einer Million Tokens ab; für eine Arbeitslast um 524,288 Tokens empfiehlt der Hersteller einen Faktor von zwei. Statische Skalierung kann die Qualität kürzerer Texte beeinflussen, weshalb Qwen empfiehlt, sie bei Bedarf für längeren Kontext zu aktivieren. Übernehmen Sie den Extrapolationsfaktor einer anderen Qwen-VL-Ausführung nicht ohne deren eigenes Rezept.
Organisieren Sie lange Eingaben nach Dokument-, Seiten- oder Codekennung und fordern Sie ein überprüfbares Ergebnis an. Prüfen Sie Berechnungen, kleine visuelle Beschriftungen und generierte Patches anhand der Quelle. Langer Kontext, bewahrte Überlegungen und größere Videobudgets helfen, mehr Belege durch eine Aufgabe zu führen; sie belegen für sich allein weder vollständige Erinnerung noch korrekte Schlussfolgerungen oder eine abgeschlossene externe Aktion.
", "aboutText": "Qwen3.8-Schwerpunkte in einem dichten Vision-Language-Modell\n\nQwen3.8-27B bringt Qwen3.8s Verbesserungen bei Programmierung, professioneller Arbeit, Forschung und Agentenaufgaben in ein dichtes Modell mit 27 Milliarden Parametern. Es nimmt Text, Bilder und Video entgegen und liefert Text zurück. Sein dokumentierter visueller Aufgabenbereich umfasst STEM-Diagramme, Dokumentseiten und Videos im Stundenbereich. Es ist ein eigenständiger Checkpoint gegenüber dem wesentlich größeren, reinen Textmodell Qwen3.8-2.4T-A95B; ihre Eingabefähigkeiten und Thinking-Verträge sollten daher getrennt bleiben.\n\nQwen betont autonome Planung, die Nutzung von Umgebungsrückmeldungen und die Integration mit Entwicklungs-Harnesses. Stellen Sie für eine Agentenaufgabe Ziel, relevantes Material, erlaubte Tools und Belege bereit, die den Abschluss zeigen würden. Ein Modell kann mithilfe zurückgegebener Ergebnisse Aktionen vorschlagen und überarbeiten; angebundene Software führt diese Aktionen aus. Fordern Sie das endgültige Artefakt und offene Bedingungen an, statt einen Plan als ausgeführtes Ergebnis zu behandeln.\n\nModellüberblick\n\nDas 27B-Modell besitzt 64 Sprachmodellschichten. Sein hybrider Aufbau gruppiert drei Gated-DeltaNet-Schichten, gefolgt von einer Gated-Attention-Schicht, mit dichten Feed-Forward-Netzen. Es wird mit Multi-Token Prediction trainiert und enthält einen Vision-Encoder. Diese Architekturentscheidungen beschreiben das veröffentlichte Modell; sie bedeuten nicht, dass jede Bereitstellung identischen Speicherbedarf oder identische Latenz hat.\n\nDer native Kontext beträgt 262,144 Tokens, mit dokumentierter Erweiterung auf 1,000,000. Text, visuelle Repräsentation, Gesprächsverlauf, Überlegungen und endgültige Ausgabe teilen sich das konfigurierte Sequenzbudget. Der Hersteller behandelt gesondert eine verwaltete Ausführung mit zusätzlichen Funktionen; diese Funktionen dürfen dem offenen Checkpoint nicht automatisch zugeordnet werden.\n\nText, Bilder und Video verwenden\n\nStellen Sie für eine Codeaufgabe die relevante Funktion oder das Modul, eine fehlschlagende Eingabe und das erwartete Verhalten bereit und fordern Sie einen Patch mit den betroffenen Annahmen und Prüfungen an. Bewahren Sie bei einem Diagramm die Beschriftungen und geben Sie die vollständige Frage an. Fordern Sie bei einem Dokument benannte Felder oder Schlussfolgerungen mit Seitenverweisen an. Nennen Sie bei Video das relevante Ereignis und bewahren Sie dessen Zeitinformationen.\n\nDas Videobeispiel des Herstellers verwendet im unterstützten Bereitstellungsablauf standardmäßig zwei Frames pro Sekunde, mit optionalen Sampling-Einstellungen. Eine allgemeine Szenenzusammenfassung und ein kurzes Ereignis können unterschiedliches Sampling benötigen. Die Anleitung für lange Videos empfiehlt, das Budget des Videoprozessors zu erweitern, um bei Material im Stundenbereich Sampling mit höherer Rate zu unterstützen; ein Beispiel entspricht ungefähr 224K Videotokens. Das erfordert Konfiguration und konkurriert mit anderem Kontextinhalt; es ist keine universelle Garantie für die Clipdauer.\n\nThinking und frühere Überlegungen\n\nThinking ist standardmäßig aktiviert und kann pro Anfrage über die Herstelleroption enable_thinking deaktiviert werden. reasoning_effort unterstützt xhigh, medium und low, mit xhigh als Standard. Weniger Denkaufwand kann eine einzelne Gesprächsrunde verkürzen; Qwen warnt jedoch, dass unzureichende Analyse bei Agentenaufgaben Fehler und wiederholte Arbeit verursachen und damit die gesamte Erledigungszeit erhöhen kann.\n\npreserve_thinking ist standardmäßig aktiviert und bewahrt Denkblöcke aus früheren Nachrichten für Kontinuität. Bei Deaktivierung bleiben nur die Denkblöcke erhalten, die bei der Bearbeitung der jüngsten Nutzernachricht erzeugt wurden. Das unterscheidet sich von älteren Qwen-Empfehlungen, die frühere Überlegungen vollständig verwerfen. Halten Sie Überlegungen und endgültige Inhalte in der Oberfläche getrennt und bewahren Sie das genaue, vom Checkpoint erwartete Konversationsformat. Herstelleroptionen belegen nicht, welche Parameter eine andere Anwendung anbietet.\n\nGenerierungsempfehlungen\n\nFür Thinking empfiehlt Qwen temperature 1.0, top_p 0.95, top_k 20, min_p 0, Presence Penalty 0 und Repetition Penalty 1.0. Für direkte Antworten empfiehlt es jeweils 0.7, 0.8, 20, 0, 1.5 und 1.0. Eine höhere Presence Penalty kann Wiederholungen reduzieren, aber Sprachen vermischen oder die Qualität leicht verringern.\n\nInnerhalb eines konfigurierten Ablaufs mit einer Million Tokens, der separate Grenzen unterstützt, empfiehlt der Hersteller Budgets von 262,144 Tokens für Überlegungen und 131,072 für die endgültige Antwort. Das sind bedingte Budgetempfehlungen, keine unabhängigen harten Ausgabeobergrenzen oder Zuweisungen, die gleichzeitig in den nativen Kontext passen.\n\nUltralanger Kontext und Grenzen\n\nDie dokumentierte Erweiterung verwendet YaRN mit den eigenen verschachtelten Positionseinstellungen des Modells. Ein Faktor von vier zielt auf den Ablauf mit einer Million Tokens ab; für eine Arbeitslast um 524,288 Tokens empfiehlt der Hersteller einen Faktor von zwei. Statische Skalierung kann die Qualität kürzerer Texte beeinflussen, weshalb Qwen empfiehlt, sie bei Bedarf für längeren Kontext zu aktivieren. Übernehmen Sie den Extrapolationsfaktor einer anderen Qwen-VL-Ausführung nicht ohne deren eigenes Rezept.\n\nOrganisieren Sie lange Eingaben nach Dokument-, Seiten- oder Codekennung und fordern Sie ein überprüfbares Ergebnis an. Prüfen Sie Berechnungen, kleine visuelle Beschriftungen und generierte Patches anhand der Quelle. Langer Kontext, bewahrte Überlegungen und größere Videobudgets helfen, mehr Belege durch eine Aufgabe zu führen; sie belegen für sich allein weder vollständige Erinnerung noch korrekte Schlussfolgerungen oder eine abgeschlossene externe Aktion.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Analyze a circuit described in text\n\nA written circuit description gives two 6-ohm resistors connected in parallel across an ideal 12-volt source. Assume ideal wires and constant resistance. Derive the equivalent resistance, total current and current through each branch. Show the formulas and verify that branch currents add to the total. No circuit image or execution tool is provided.A short derivation with units, three requested quantities and a current-sum check.Equivalent resistance is 3 ohms and the two equal branch currents sum to the derived total current.qwen/qwen3.8-27bQwen3.8-27B ist Qwens dichtes Vision-Language-Modell für Text, Bilder und Video mit Textausgabe. Es kombiniert Programmierung und Agentenarbeit über viele Schritte mit wählbarem Thinking, Erhaltung der Überlegungen und einem nativen Kontext von 262,144 Tokens, der per Konfiguration auf eine Million erweitert werden kann.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3.8-Schwerpunkte in einem dichten Vision-Language-Modell
Qwen3.8-27B bringt Qwen3.8s Verbesserungen bei Programmierung, professioneller Arbeit, Forschung und Agentenaufgaben in ein dichtes Modell mit 27 Milliarden Parametern. Es nimmt Text, Bilder und Video entgegen und liefert Text zurück. Sein dokumentierter visueller Aufgabenbereich umfasst STEM-Diagramme, Dokumentseiten und Videos im Stundenbereich. Es ist ein eigenständiger Checkpoint gegenüber dem wesentlich größeren, reinen Textmodell Qwen3.8-2.4T-A95B; ihre Eingabefähigkeiten und Thinking-Verträge sollten daher getrennt bleiben.
Qwen betont autonome Planung, die Nutzung von Umgebungsrückmeldungen und die Integration mit Entwicklungs-Harnesses. Stellen Sie für eine Agentenaufgabe Ziel, relevantes Material, erlaubte Tools und Belege bereit, die den Abschluss zeigen würden. Ein Modell kann mithilfe zurückgegebener Ergebnisse Aktionen vorschlagen und überarbeiten; angebundene Software führt diese Aktionen aus. Fordern Sie das endgültige Artefakt und offene Bedingungen an, statt einen Plan als ausgeführtes Ergebnis zu behandeln.
Modellüberblick
Das 27B-Modell besitzt 64 Sprachmodellschichten. Sein hybrider Aufbau gruppiert drei Gated-DeltaNet-Schichten, gefolgt von einer Gated-Attention-Schicht, mit dichten Feed-Forward-Netzen. Es wird mit Multi-Token Prediction trainiert und enthält einen Vision-Encoder. Diese Architekturentscheidungen beschreiben das veröffentlichte Modell; sie bedeuten nicht, dass jede Bereitstellung identischen Speicherbedarf oder identische Latenz hat.
Der native Kontext beträgt 262,144 Tokens, mit dokumentierter Erweiterung auf 1,000,000. Text, visuelle Repräsentation, Gesprächsverlauf, Überlegungen und endgültige Ausgabe teilen sich das konfigurierte Sequenzbudget. Der Hersteller behandelt gesondert eine verwaltete Ausführung mit zusätzlichen Funktionen; diese Funktionen dürfen dem offenen Checkpoint nicht automatisch zugeordnet werden.
Text, Bilder und Video verwenden
Stellen Sie für eine Codeaufgabe die relevante Funktion oder das Modul, eine fehlschlagende Eingabe und das erwartete Verhalten bereit und fordern Sie einen Patch mit den betroffenen Annahmen und Prüfungen an. Bewahren Sie bei einem Diagramm die Beschriftungen und geben Sie die vollständige Frage an. Fordern Sie bei einem Dokument benannte Felder oder Schlussfolgerungen mit Seitenverweisen an. Nennen Sie bei Video das relevante Ereignis und bewahren Sie dessen Zeitinformationen.
Das Videobeispiel des Herstellers verwendet im unterstützten Bereitstellungsablauf standardmäßig zwei Frames pro Sekunde, mit optionalen Sampling-Einstellungen. Eine allgemeine Szenenzusammenfassung und ein kurzes Ereignis können unterschiedliches Sampling benötigen. Die Anleitung für lange Videos empfiehlt, das Budget des Videoprozessors zu erweitern, um bei Material im Stundenbereich Sampling mit höherer Rate zu unterstützen; ein Beispiel entspricht ungefähr 224K Videotokens. Das erfordert Konfiguration und konkurriert mit anderem Kontextinhalt; es ist keine universelle Garantie für die Clipdauer.
Thinking und frühere Überlegungen
Thinking ist standardmäßig aktiviert und kann pro Anfrage über die Herstelleroption enable_thinking deaktiviert werden. reasoning_effort unterstützt xhigh, medium und low, mit xhigh als Standard. Weniger Denkaufwand kann eine einzelne Gesprächsrunde verkürzen; Qwen warnt jedoch, dass unzureichende Analyse bei Agentenaufgaben Fehler und wiederholte Arbeit verursachen und damit die gesamte Erledigungszeit erhöhen kann.
preserve_thinking ist standardmäßig aktiviert und bewahrt Denkblöcke aus früheren Nachrichten für Kontinuität. Bei Deaktivierung bleiben nur die Denkblöcke erhalten, die bei der Bearbeitung der jüngsten Nutzernachricht erzeugt wurden. Das unterscheidet sich von älteren Qwen-Empfehlungen, die frühere Überlegungen vollständig verwerfen. Halten Sie Überlegungen und endgültige Inhalte in der Oberfläche getrennt und bewahren Sie das genaue, vom Checkpoint erwartete Konversationsformat. Herstelleroptionen belegen nicht, welche Parameter eine andere Anwendung anbietet.
Generierungsempfehlungen
Für Thinking empfiehlt Qwen temperature 1.0, top_p 0.95, top_k 20, min_p 0, Presence Penalty 0 und Repetition Penalty 1.0. Für direkte Antworten empfiehlt es jeweils 0.7, 0.8, 20, 0, 1.5 und 1.0. Eine höhere Presence Penalty kann Wiederholungen reduzieren, aber Sprachen vermischen oder die Qualität leicht verringern.
Innerhalb eines konfigurierten Ablaufs mit einer Million Tokens, der separate Grenzen unterstützt, empfiehlt der Hersteller Budgets von 262,144 Tokens für Überlegungen und 131,072 für die endgültige Antwort. Das sind bedingte Budgetempfehlungen, keine unabhängigen harten Ausgabeobergrenzen oder Zuweisungen, die gleichzeitig in den nativen Kontext passen.
Ultralanger Kontext und Grenzen
Die dokumentierte Erweiterung verwendet YaRN mit den eigenen verschachtelten Positionseinstellungen des Modells. Ein Faktor von vier zielt auf den Ablauf mit einer Million Tokens ab; für eine Arbeitslast um 524,288 Tokens empfiehlt der Hersteller einen Faktor von zwei. Statische Skalierung kann die Qualität kürzerer Texte beeinflussen, weshalb Qwen empfiehlt, sie bei Bedarf für längeren Kontext zu aktivieren. Übernehmen Sie den Extrapolationsfaktor einer anderen Qwen-VL-Ausführung nicht ohne deren eigenes Rezept.
Organisieren Sie lange Eingaben nach Dokument-, Seiten- oder Codekennung und fordern Sie ein überprüfbares Ergebnis an. Prüfen Sie Berechnungen, kleine visuelle Beschriftungen und generierte Patches anhand der Quelle. Langer Kontext, bewahrte Überlegungen und größere Videobudgets helfen, mehr Belege durch eine Aufgabe zu führen; sie belegen für sich allein weder vollständige Erinnerung noch korrekte Schlussfolgerungen oder eine abgeschlossene externe Aktion.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.8-27b | 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 $0.00085 / 1K Tokens Ausgabe · Ausgabetoken $0.0051 / 1K Tokens Eingabe · Cache lesen $0.00017 / 1K Tokens Eingabe · In Cache schreiben $0.0010625 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00085 / 1K Tokens Ausgabe · Ausgabetoken $0.0051 / 1K Tokens Eingabe · Cache lesen $0.00017 / 1K Tokens Eingabe · In Cache schreiben $0.0010625 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.8-27b", "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/qwen3.8-27b',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/qwen3.8-27b',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/qwen3.8-27b
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3.8-27bQwen3.8-27B ist Qwens dichtes Vision-Language-Modell für Text, Bilder und Video mit Textausgabe. Es kombiniert Programmierung und Agentenarbeit über viele Schritte mit wählbarem Thinking, Erhaltung der Überlegungen und einem nativen Kontext von 262,144 Tokens, der per Konfiguration auf eine Million erweitert werden kann.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3.8-Schwerpunkte in einem dichten Vision-Language-Modell
Qwen3.8-27B bringt Qwen3.8s Verbesserungen bei Programmierung, professioneller Arbeit, Forschung und Agentenaufgaben in ein dichtes Modell mit 27 Milliarden Parametern. Es nimmt Text, Bilder und Video entgegen und liefert Text zurück. Sein dokumentierter visueller Aufgabenbereich umfasst STEM-Diagramme, Dokumentseiten und Videos im Stundenbereich. Es ist ein eigenständiger Checkpoint gegenüber dem wesentlich größeren, reinen Textmodell Qwen3.8-2.4T-A95B; ihre Eingabefähigkeiten und Thinking-Verträge sollten daher getrennt bleiben.
Qwen betont autonome Planung, die Nutzung von Umgebungsrückmeldungen und die Integration mit Entwicklungs-Harnesses. Stellen Sie für eine Agentenaufgabe Ziel, relevantes Material, erlaubte Tools und Belege bereit, die den Abschluss zeigen würden. Ein Modell kann mithilfe zurückgegebener Ergebnisse Aktionen vorschlagen und überarbeiten; angebundene Software führt diese Aktionen aus. Fordern Sie das endgültige Artefakt und offene Bedingungen an, statt einen Plan als ausgeführtes Ergebnis zu behandeln.
Modellüberblick
Das 27B-Modell besitzt 64 Sprachmodellschichten. Sein hybrider Aufbau gruppiert drei Gated-DeltaNet-Schichten, gefolgt von einer Gated-Attention-Schicht, mit dichten Feed-Forward-Netzen. Es wird mit Multi-Token Prediction trainiert und enthält einen Vision-Encoder. Diese Architekturentscheidungen beschreiben das veröffentlichte Modell; sie bedeuten nicht, dass jede Bereitstellung identischen Speicherbedarf oder identische Latenz hat.
Der native Kontext beträgt 262,144 Tokens, mit dokumentierter Erweiterung auf 1,000,000. Text, visuelle Repräsentation, Gesprächsverlauf, Überlegungen und endgültige Ausgabe teilen sich das konfigurierte Sequenzbudget. Der Hersteller behandelt gesondert eine verwaltete Ausführung mit zusätzlichen Funktionen; diese Funktionen dürfen dem offenen Checkpoint nicht automatisch zugeordnet werden.
Text, Bilder und Video verwenden
Stellen Sie für eine Codeaufgabe die relevante Funktion oder das Modul, eine fehlschlagende Eingabe und das erwartete Verhalten bereit und fordern Sie einen Patch mit den betroffenen Annahmen und Prüfungen an. Bewahren Sie bei einem Diagramm die Beschriftungen und geben Sie die vollständige Frage an. Fordern Sie bei einem Dokument benannte Felder oder Schlussfolgerungen mit Seitenverweisen an. Nennen Sie bei Video das relevante Ereignis und bewahren Sie dessen Zeitinformationen.
Das Videobeispiel des Herstellers verwendet im unterstützten Bereitstellungsablauf standardmäßig zwei Frames pro Sekunde, mit optionalen Sampling-Einstellungen. Eine allgemeine Szenenzusammenfassung und ein kurzes Ereignis können unterschiedliches Sampling benötigen. Die Anleitung für lange Videos empfiehlt, das Budget des Videoprozessors zu erweitern, um bei Material im Stundenbereich Sampling mit höherer Rate zu unterstützen; ein Beispiel entspricht ungefähr 224K Videotokens. Das erfordert Konfiguration und konkurriert mit anderem Kontextinhalt; es ist keine universelle Garantie für die Clipdauer.
Thinking und frühere Überlegungen
Thinking ist standardmäßig aktiviert und kann pro Anfrage über die Herstelleroption enable_thinking deaktiviert werden. reasoning_effort unterstützt xhigh, medium und low, mit xhigh als Standard. Weniger Denkaufwand kann eine einzelne Gesprächsrunde verkürzen; Qwen warnt jedoch, dass unzureichende Analyse bei Agentenaufgaben Fehler und wiederholte Arbeit verursachen und damit die gesamte Erledigungszeit erhöhen kann.
preserve_thinking ist standardmäßig aktiviert und bewahrt Denkblöcke aus früheren Nachrichten für Kontinuität. Bei Deaktivierung bleiben nur die Denkblöcke erhalten, die bei der Bearbeitung der jüngsten Nutzernachricht erzeugt wurden. Das unterscheidet sich von älteren Qwen-Empfehlungen, die frühere Überlegungen vollständig verwerfen. Halten Sie Überlegungen und endgültige Inhalte in der Oberfläche getrennt und bewahren Sie das genaue, vom Checkpoint erwartete Konversationsformat. Herstelleroptionen belegen nicht, welche Parameter eine andere Anwendung anbietet.
Generierungsempfehlungen
Für Thinking empfiehlt Qwen temperature 1.0, top_p 0.95, top_k 20, min_p 0, Presence Penalty 0 und Repetition Penalty 1.0. Für direkte Antworten empfiehlt es jeweils 0.7, 0.8, 20, 0, 1.5 und 1.0. Eine höhere Presence Penalty kann Wiederholungen reduzieren, aber Sprachen vermischen oder die Qualität leicht verringern.
Innerhalb eines konfigurierten Ablaufs mit einer Million Tokens, der separate Grenzen unterstützt, empfiehlt der Hersteller Budgets von 262,144 Tokens für Überlegungen und 131,072 für die endgültige Antwort. Das sind bedingte Budgetempfehlungen, keine unabhängigen harten Ausgabeobergrenzen oder Zuweisungen, die gleichzeitig in den nativen Kontext passen.
Ultralanger Kontext und Grenzen
Die dokumentierte Erweiterung verwendet YaRN mit den eigenen verschachtelten Positionseinstellungen des Modells. Ein Faktor von vier zielt auf den Ablauf mit einer Million Tokens ab; für eine Arbeitslast um 524,288 Tokens empfiehlt der Hersteller einen Faktor von zwei. Statische Skalierung kann die Qualität kürzerer Texte beeinflussen, weshalb Qwen empfiehlt, sie bei Bedarf für längeren Kontext zu aktivieren. Übernehmen Sie den Extrapolationsfaktor einer anderen Qwen-VL-Ausführung nicht ohne deren eigenes Rezept.
Organisieren Sie lange Eingaben nach Dokument-, Seiten- oder Codekennung und fordern Sie ein überprüfbares Ergebnis an. Prüfen Sie Berechnungen, kleine visuelle Beschriftungen und generierte Patches anhand der Quelle. Langer Kontext, bewahrte Überlegungen und größere Videobudgets helfen, mehr Belege durch eine Aufgabe zu führen; sie belegen für sich allein weder vollständige Erinnerung noch korrekte Schlussfolgerungen oder eine abgeschlossene externe Aktion.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.8-27b | 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 $0.00085 / 1K Tokens Ausgabe · Ausgabetoken $0.0051 / 1K Tokens Eingabe · Cache lesen $0.00017 / 1K Tokens Eingabe · In Cache schreiben $0.0010625 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00085 / 1K Tokens Ausgabe · Ausgabetoken $0.0051 / 1K Tokens Eingabe · Cache lesen $0.00017 / 1K Tokens Eingabe · In Cache schreiben $0.0010625 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3.8-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.8-27b', '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/qwen3.8-27b', '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/qwen3.8-27b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Analyze a circuit described in text\n\nA written circuit description gives two 6-ohm resistors connected in parallel across an ideal 12-volt source. Assume ideal wires and constant resistance. Derive the equivalent resistance, total current and current through each branch. Show the formulas and verify that branch currents add to the total. No circuit image or execution tool is provided.A short derivation with units, three requested quantities and a current-sum check.Equivalent resistance is 3 ohms and the two equal branch currents sum to the derived total current.