Überblick: Reasoning auf Basis von Qwen2.5
QwQ-Plus ist das auf Qwen2.5 aufbauende erweiterte QwQ-Reasoning-Modell. Qwen beschreibt Reinforcement Learning als Methode zur Stärkung seines Reasonings, insbesondere in Mathematik und Programmierung, zusammen mit allgemeinen Aufgaben zur Anweisungsbefolgung. Es erhält Text und gibt Text zurück. Wählen Sie es, wenn die Arbeit eine erklärte Lösung, einen Vergleich oder einen Codevorschlag verlangt, der sich anhand der bereitgestellten Bedingungen prüfen lässt.
Dies ist die Modellreihe QwQ-Plus. Ihr Name legt weder Parameterzahl noch Gewichtsidentität eines offenen QwQ-Checkpoints fest; ein Anbietername mit latest sollte nicht stillschweigend zu einer festen datierten Revision werden. Verwenden Sie die genaue angeforderte Modellidentität, wenn Sie Ausgaben vergleichen oder eine reproduzierbare Aufgabenaufzeichnung führen.
Mathematische und logische Arbeit vorbereiten
Geben Sie die vollständige Problemstellung, Definitionen, Einheiten und zulässigen Annahmen an. Fordern Sie die endgültige Antwort in einer klar abgegrenzten Form und anschließend die zu ihrer Begründung benötigten Gleichungen oder logischen Schritte an. Legen Sie bei einem Planungsproblem mit Nebenbedingungen die zulässigen Optionen und Bewertungskriterien getrennt fest und verlangen Sie eine Tabelle, die zeigt, welche Bedingungen jede Option erfüllt. Fügen Sie für eine Lernkontrolle den Lösungsversuch des Lernenden bei und fordern Sie das Modell dazu auf, den ersten unbegründeten Schritt zu benennen, statt die gesamte Übung ohne Erklärung neu zu schreiben.
Dies sind praktische Anwendungen des dokumentierten Reasoning-Schwerpunkts des Modells. Das nützliche Arbeitsergebnis ist ein überprüfbares Ergebnis: ein Wert mit Einheiten, eine Schlussfolgerung mit Prämissen oder ein an die vorgegebenen Kriterien gebundener Vergleich. Mehr erklärender Text allein begründet keine korrekte Schlussfolgerung; halten Sie daher Annahmen sichtbar und vergleichen Sie das Endergebnis mit der ursprünglichen Frage.
Programmierarbeit vorbereiten
Stellen Sie den relevanten Code, die das Problem auslösende Eingabe, die beobachtete Ausgabe und das gewünschte Verhalten bereit. Fordern Sie einen Änderungsvorschlag, eine Erklärung, warum er diese Eingabe behandelt, und noch zu prüfende Randfälle an. Geben Sie bei einer Algorithmusfrage Eingabebeschränkungen und erforderliche Ausgabe vor, bevor Sie nach einem Ansatz fragen. Unterscheiden Sie erzeugten Code von Code, der tatsächlich in der Anwendungsumgebung ausgeführt wurde.
Eine nützliche Antwort kann Diagnose, Patch und erwartetes Verhalten getrennt darstellen. Fordern Sie bei einer kleinen benötigten Änderung einen kompakten Patch statt eines neu geschriebenen Projekts an. Diese Beispiele sind ausgearbeitete Möglichkeiten, die mathematische und programmiertechnische Spezialisierung von QwQ-Plus anzuwenden; sie sind kein zusätzliches Werkzeug und keine Ausführungsfähigkeit.
Kontext und Antwortgrenzen
Die genaue Modellspezifikation nennt ein Kontextfenster von 131.072 Tokens, eine maximale Eingabe von 98.304 Tokens und eine maximale Ausgabe von 8.192 Tokens. Dies sind getrennte Herstellergrenzen. Machen Sie aus ihrer rechnerischen Differenz kein undokumentiertes garantiertes Reasoning-Budget. Ausgangstext, Gesprächsverlauf und Antwort müssen innerhalb der jeweils geltenden konfigurierten Grenzen bleiben.
Bewahren Sie bei einer langen Spezifikation oder einem Codeauszug relevante Abschnitts- und Funktionskennungen und fordern Sie das Modell auf, in seiner Erklärung darauf Bezug zu nehmen. Entfernen Sie vor der Übermittlung sachfremdes Material und reservieren Sie ausreichend Ausgabeplatz für die erforderliche Schlussfolgerung. Ein großes Kontextfenster hilft, mehr Bedingungen gemeinsam bereitzustellen; es verspricht nicht, dass jeder Fakt erinnert oder jede Abhängigkeit verstanden wird.
Werkzeuge, Formatierung und modellspezifische Grenzen
Die Bereitstellungsmatrix des Herstellers führt Funktionsaufrufe und Websuche in manchen Konfigurationen an und kennzeichnet sie in einer anderen als nicht unterstützt. Es sind daher bedingte Fähigkeiten und keine Merkmale, die allein aufgrund des Modellnamens zugesagt werden können. Dieselbe Matrix unterstützt Batch-Inferenz in einigen Herstellerkonfigurationen. Ein werkzeuggestützter Workflow muss die tatsächlichen Werkzeuge bereitstellen und ihre Ergebnisse in die Textaufgabe zurückführen. Diese Beschreibung weist keine Werkzeugverfügbarkeit einer Anwendung nach.
Erzwungene strukturierte Ausgaben sind als nicht unterstützt gekennzeichnet. Ein Prompt kann weiterhin eine Tabelle oder eine Antwort in JSON-Form anfordern, doch die Anwendung muss das Ergebnis prüfen, statt diese Anforderung als Schemaerzwingung zu behandeln. Die genaue Modellseite beschreibt eine Reasoning-Spezialisierung, ohne eine modellspezifische Spezifikation für das Umschalten zwischen Denkmodus und direkter Antwort bereitzustellen; Steuerungsmöglichkeiten neuerer Qwen-Generationen sollten nicht in diese Edition übernommen werden.
Halten Sie die endgültige Antwort leicht überprüfbar, kontrollieren Sie Berechnungen anhand der angegebenen Einheiten und prüfen Sie Codevorschläge vor ihrer Ausführung. Die praktische Rolle von QwQ-Plus ist, ein schwieriges Textproblem zu durchdenken und eine nützliche Erklärung oder ein Arbeitsergebnis innerhalb seiner eigenen dokumentierten Grenzen zurückzugeben.
", "aboutText": "Überblick: Reasoning auf Basis von Qwen2.5\n\nQwQ-Plus ist das auf Qwen2.5 aufbauende erweiterte QwQ-Reasoning-Modell. Qwen beschreibt Reinforcement Learning als Methode zur Stärkung seines Reasonings, insbesondere in Mathematik und Programmierung, zusammen mit allgemeinen Aufgaben zur Anweisungsbefolgung. Es erhält Text und gibt Text zurück. Wählen Sie es, wenn die Arbeit eine erklärte Lösung, einen Vergleich oder einen Codevorschlag verlangt, der sich anhand der bereitgestellten Bedingungen prüfen lässt.\n\nDies ist die Modellreihe QwQ-Plus. Ihr Name legt weder Parameterzahl noch Gewichtsidentität eines offenen QwQ-Checkpoints fest; ein Anbietername mit latest sollte nicht stillschweigend zu einer festen datierten Revision werden. Verwenden Sie die genaue angeforderte Modellidentität, wenn Sie Ausgaben vergleichen oder eine reproduzierbare Aufgabenaufzeichnung führen.\n\nMathematische und logische Arbeit vorbereiten\n\nGeben Sie die vollständige Problemstellung, Definitionen, Einheiten und zulässigen Annahmen an. Fordern Sie die endgültige Antwort in einer klar abgegrenzten Form und anschließend die zu ihrer Begründung benötigten Gleichungen oder logischen Schritte an. Legen Sie bei einem Planungsproblem mit Nebenbedingungen die zulässigen Optionen und Bewertungskriterien getrennt fest und verlangen Sie eine Tabelle, die zeigt, welche Bedingungen jede Option erfüllt. Fügen Sie für eine Lernkontrolle den Lösungsversuch des Lernenden bei und fordern Sie das Modell dazu auf, den ersten unbegründeten Schritt zu benennen, statt die gesamte Übung ohne Erklärung neu zu schreiben.\n\nDies sind praktische Anwendungen des dokumentierten Reasoning-Schwerpunkts des Modells. Das nützliche Arbeitsergebnis ist ein überprüfbares Ergebnis: ein Wert mit Einheiten, eine Schlussfolgerung mit Prämissen oder ein an die vorgegebenen Kriterien gebundener Vergleich. Mehr erklärender Text allein begründet keine korrekte Schlussfolgerung; halten Sie daher Annahmen sichtbar und vergleichen Sie das Endergebnis mit der ursprünglichen Frage.\n\nProgrammierarbeit vorbereiten\n\nStellen Sie den relevanten Code, die das Problem auslösende Eingabe, die beobachtete Ausgabe und das gewünschte Verhalten bereit. Fordern Sie einen Änderungsvorschlag, eine Erklärung, warum er diese Eingabe behandelt, und noch zu prüfende Randfälle an. Geben Sie bei einer Algorithmusfrage Eingabebeschränkungen und erforderliche Ausgabe vor, bevor Sie nach einem Ansatz fragen. Unterscheiden Sie erzeugten Code von Code, der tatsächlich in der Anwendungsumgebung ausgeführt wurde.\n\nEine nützliche Antwort kann Diagnose, Patch und erwartetes Verhalten getrennt darstellen. Fordern Sie bei einer kleinen benötigten Änderung einen kompakten Patch statt eines neu geschriebenen Projekts an. Diese Beispiele sind ausgearbeitete Möglichkeiten, die mathematische und programmiertechnische Spezialisierung von QwQ-Plus anzuwenden; sie sind kein zusätzliches Werkzeug und keine Ausführungsfähigkeit.\n\nKontext und Antwortgrenzen\n\nDie genaue Modellspezifikation nennt ein Kontextfenster von 131.072 Tokens, eine maximale Eingabe von 98.304 Tokens und eine maximale Ausgabe von 8.192 Tokens. Dies sind getrennte Herstellergrenzen. Machen Sie aus ihrer rechnerischen Differenz kein undokumentiertes garantiertes Reasoning-Budget. Ausgangstext, Gesprächsverlauf und Antwort müssen innerhalb der jeweils geltenden konfigurierten Grenzen bleiben.\n\nBewahren Sie bei einer langen Spezifikation oder einem Codeauszug relevante Abschnitts- und Funktionskennungen und fordern Sie das Modell auf, in seiner Erklärung darauf Bezug zu nehmen. Entfernen Sie vor der Übermittlung sachfremdes Material und reservieren Sie ausreichend Ausgabeplatz für die erforderliche Schlussfolgerung. Ein großes Kontextfenster hilft, mehr Bedingungen gemeinsam bereitzustellen; es verspricht nicht, dass jeder Fakt erinnert oder jede Abhängigkeit verstanden wird.\n\nWerkzeuge, Formatierung und modellspezifische Grenzen\n\nDie Bereitstellungsmatrix des Herstellers führt Funktionsaufrufe und Websuche in manchen Konfigurationen an und kennzeichnet sie in einer anderen als nicht unterstützt. Es sind daher bedingte Fähigkeiten und keine Merkmale, die allein aufgrund des Modellnamens zugesagt werden können. Dieselbe Matrix unterstützt Batch-Inferenz in einigen Herstellerkonfigurationen. Ein werkzeuggestützter Workflow muss die tatsächlichen Werkzeuge bereitstellen und ihre Ergebnisse in die Textaufgabe zurückführen. Diese Beschreibung weist keine Werkzeugverfügbarkeit einer Anwendung nach.\n\nErzwungene strukturierte Ausgaben sind als nicht unterstützt gekennzeichnet. Ein Prompt kann weiterhin eine Tabelle oder eine Antwort in JSON-Form anfordern, doch die Anwendung muss das Ergebnis prüfen, statt diese Anforderung als Schemaerzwingung zu behandeln. Die genaue Modellseite beschreibt eine Reasoning-Spezialisierung, ohne eine modellspezifische Spezifikation für das Umschalten zwischen Denkmodus und direkter Antwort bereitzustellen; Steuerungsmöglichkeiten neuerer Qwen-Generationen sollten nicht in diese Edition übernommen werden.\n\nHalten Sie die endgültige Antwort leicht überprüfbar, kontrollieren Sie Berechnungen anhand der angegebenen Einheiten und prüfen Sie Codevorschläge vor ihrer Ausführung. Die praktische Rolle von QwQ-Plus ist, ein schwieriges Textproblem zu durchdenken und eine nützliche Erklärung oder ein Arbeitsergebnis innerhalb seiner eigenen dokumentierten Grenzen zurückzugeben.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Review a learner calculation\n\nReview this learner solution: "A 30 percent discount on 80 gives 80 - 30 = 50." Identify the first incorrect step, explain the correct percentage operation and calculate the final price. Give a short check by adding the discount back to the sale price. Use only these numbers and no tax assumption.A concise correction identifying the unsupported subtraction, the calculation and a labelled final price.Verify the discount is 30 percent of 80 and the price plus discount returns 80.qwq-plusQwQ-Plus ist Qwens auf Qwen2.5 basierendes Reasoning-Modell, durch Reinforcement Learning für mathematische, programmiertechnische und logische Textaufgaben gestärkt. Seine eigene Spezifikation nennt einen Kontext von 131.072 Tokens, maximal 98.304 Eingabetokens und maximal 8.192 Ausgabetokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Überblick: Reasoning auf Basis von Qwen2.5
QwQ-Plus ist das auf Qwen2.5 aufbauende erweiterte QwQ-Reasoning-Modell. Qwen beschreibt Reinforcement Learning als Methode zur Stärkung seines Reasonings, insbesondere in Mathematik und Programmierung, zusammen mit allgemeinen Aufgaben zur Anweisungsbefolgung. Es erhält Text und gibt Text zurück. Wählen Sie es, wenn die Arbeit eine erklärte Lösung, einen Vergleich oder einen Codevorschlag verlangt, der sich anhand der bereitgestellten Bedingungen prüfen lässt.
Dies ist die Modellreihe QwQ-Plus. Ihr Name legt weder Parameterzahl noch Gewichtsidentität eines offenen QwQ-Checkpoints fest; ein Anbietername mit latest sollte nicht stillschweigend zu einer festen datierten Revision werden. Verwenden Sie die genaue angeforderte Modellidentität, wenn Sie Ausgaben vergleichen oder eine reproduzierbare Aufgabenaufzeichnung führen.
Mathematische und logische Arbeit vorbereiten
Geben Sie die vollständige Problemstellung, Definitionen, Einheiten und zulässigen Annahmen an. Fordern Sie die endgültige Antwort in einer klar abgegrenzten Form und anschließend die zu ihrer Begründung benötigten Gleichungen oder logischen Schritte an. Legen Sie bei einem Planungsproblem mit Nebenbedingungen die zulässigen Optionen und Bewertungskriterien getrennt fest und verlangen Sie eine Tabelle, die zeigt, welche Bedingungen jede Option erfüllt. Fügen Sie für eine Lernkontrolle den Lösungsversuch des Lernenden bei und fordern Sie das Modell dazu auf, den ersten unbegründeten Schritt zu benennen, statt die gesamte Übung ohne Erklärung neu zu schreiben.
Dies sind praktische Anwendungen des dokumentierten Reasoning-Schwerpunkts des Modells. Das nützliche Arbeitsergebnis ist ein überprüfbares Ergebnis: ein Wert mit Einheiten, eine Schlussfolgerung mit Prämissen oder ein an die vorgegebenen Kriterien gebundener Vergleich. Mehr erklärender Text allein begründet keine korrekte Schlussfolgerung; halten Sie daher Annahmen sichtbar und vergleichen Sie das Endergebnis mit der ursprünglichen Frage.
Programmierarbeit vorbereiten
Stellen Sie den relevanten Code, die das Problem auslösende Eingabe, die beobachtete Ausgabe und das gewünschte Verhalten bereit. Fordern Sie einen Änderungsvorschlag, eine Erklärung, warum er diese Eingabe behandelt, und noch zu prüfende Randfälle an. Geben Sie bei einer Algorithmusfrage Eingabebeschränkungen und erforderliche Ausgabe vor, bevor Sie nach einem Ansatz fragen. Unterscheiden Sie erzeugten Code von Code, der tatsächlich in der Anwendungsumgebung ausgeführt wurde.
Eine nützliche Antwort kann Diagnose, Patch und erwartetes Verhalten getrennt darstellen. Fordern Sie bei einer kleinen benötigten Änderung einen kompakten Patch statt eines neu geschriebenen Projekts an. Diese Beispiele sind ausgearbeitete Möglichkeiten, die mathematische und programmiertechnische Spezialisierung von QwQ-Plus anzuwenden; sie sind kein zusätzliches Werkzeug und keine Ausführungsfähigkeit.
Kontext und Antwortgrenzen
Die genaue Modellspezifikation nennt ein Kontextfenster von 131.072 Tokens, eine maximale Eingabe von 98.304 Tokens und eine maximale Ausgabe von 8.192 Tokens. Dies sind getrennte Herstellergrenzen. Machen Sie aus ihrer rechnerischen Differenz kein undokumentiertes garantiertes Reasoning-Budget. Ausgangstext, Gesprächsverlauf und Antwort müssen innerhalb der jeweils geltenden konfigurierten Grenzen bleiben.
Bewahren Sie bei einer langen Spezifikation oder einem Codeauszug relevante Abschnitts- und Funktionskennungen und fordern Sie das Modell auf, in seiner Erklärung darauf Bezug zu nehmen. Entfernen Sie vor der Übermittlung sachfremdes Material und reservieren Sie ausreichend Ausgabeplatz für die erforderliche Schlussfolgerung. Ein großes Kontextfenster hilft, mehr Bedingungen gemeinsam bereitzustellen; es verspricht nicht, dass jeder Fakt erinnert oder jede Abhängigkeit verstanden wird.
Werkzeuge, Formatierung und modellspezifische Grenzen
Die Bereitstellungsmatrix des Herstellers führt Funktionsaufrufe und Websuche in manchen Konfigurationen an und kennzeichnet sie in einer anderen als nicht unterstützt. Es sind daher bedingte Fähigkeiten und keine Merkmale, die allein aufgrund des Modellnamens zugesagt werden können. Dieselbe Matrix unterstützt Batch-Inferenz in einigen Herstellerkonfigurationen. Ein werkzeuggestützter Workflow muss die tatsächlichen Werkzeuge bereitstellen und ihre Ergebnisse in die Textaufgabe zurückführen. Diese Beschreibung weist keine Werkzeugverfügbarkeit einer Anwendung nach.
Erzwungene strukturierte Ausgaben sind als nicht unterstützt gekennzeichnet. Ein Prompt kann weiterhin eine Tabelle oder eine Antwort in JSON-Form anfordern, doch die Anwendung muss das Ergebnis prüfen, statt diese Anforderung als Schemaerzwingung zu behandeln. Die genaue Modellseite beschreibt eine Reasoning-Spezialisierung, ohne eine modellspezifische Spezifikation für das Umschalten zwischen Denkmodus und direkter Antwort bereitzustellen; Steuerungsmöglichkeiten neuerer Qwen-Generationen sollten nicht in diese Edition übernommen werden.
Halten Sie die endgültige Antwort leicht überprüfbar, kontrollieren Sie Berechnungen anhand der angegebenen Einheiten und prüfen Sie Codevorschläge vor ihrer Ausführung. Die praktische Rolle von QwQ-Plus ist, ein schwieriges Textproblem zu durchdenken und eine nützliche Erklärung oder ein Arbeitsergebnis innerhalb seiner eigenen dokumentierten Grenzen zurückzugeben.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwq-plus | 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 $0.00046 / 1K Tokens Ausgabe · Ausgabetoken $0.00116 / 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": "qwq-plus", "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='qwq-plus',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='qwq-plus',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 qwq-plus
Verwenden Sie die oben angezeigten Methodenpfade.
qwq-plusQwQ-Plus ist Qwens auf Qwen2.5 basierendes Reasoning-Modell, durch Reinforcement Learning für mathematische, programmiertechnische und logische Textaufgaben gestärkt. Seine eigene Spezifikation nennt einen Kontext von 131.072 Tokens, maximal 98.304 Eingabetokens und maximal 8.192 Ausgabetokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Überblick: Reasoning auf Basis von Qwen2.5
QwQ-Plus ist das auf Qwen2.5 aufbauende erweiterte QwQ-Reasoning-Modell. Qwen beschreibt Reinforcement Learning als Methode zur Stärkung seines Reasonings, insbesondere in Mathematik und Programmierung, zusammen mit allgemeinen Aufgaben zur Anweisungsbefolgung. Es erhält Text und gibt Text zurück. Wählen Sie es, wenn die Arbeit eine erklärte Lösung, einen Vergleich oder einen Codevorschlag verlangt, der sich anhand der bereitgestellten Bedingungen prüfen lässt.
Dies ist die Modellreihe QwQ-Plus. Ihr Name legt weder Parameterzahl noch Gewichtsidentität eines offenen QwQ-Checkpoints fest; ein Anbietername mit latest sollte nicht stillschweigend zu einer festen datierten Revision werden. Verwenden Sie die genaue angeforderte Modellidentität, wenn Sie Ausgaben vergleichen oder eine reproduzierbare Aufgabenaufzeichnung führen.
Mathematische und logische Arbeit vorbereiten
Geben Sie die vollständige Problemstellung, Definitionen, Einheiten und zulässigen Annahmen an. Fordern Sie die endgültige Antwort in einer klar abgegrenzten Form und anschließend die zu ihrer Begründung benötigten Gleichungen oder logischen Schritte an. Legen Sie bei einem Planungsproblem mit Nebenbedingungen die zulässigen Optionen und Bewertungskriterien getrennt fest und verlangen Sie eine Tabelle, die zeigt, welche Bedingungen jede Option erfüllt. Fügen Sie für eine Lernkontrolle den Lösungsversuch des Lernenden bei und fordern Sie das Modell dazu auf, den ersten unbegründeten Schritt zu benennen, statt die gesamte Übung ohne Erklärung neu zu schreiben.
Dies sind praktische Anwendungen des dokumentierten Reasoning-Schwerpunkts des Modells. Das nützliche Arbeitsergebnis ist ein überprüfbares Ergebnis: ein Wert mit Einheiten, eine Schlussfolgerung mit Prämissen oder ein an die vorgegebenen Kriterien gebundener Vergleich. Mehr erklärender Text allein begründet keine korrekte Schlussfolgerung; halten Sie daher Annahmen sichtbar und vergleichen Sie das Endergebnis mit der ursprünglichen Frage.
Programmierarbeit vorbereiten
Stellen Sie den relevanten Code, die das Problem auslösende Eingabe, die beobachtete Ausgabe und das gewünschte Verhalten bereit. Fordern Sie einen Änderungsvorschlag, eine Erklärung, warum er diese Eingabe behandelt, und noch zu prüfende Randfälle an. Geben Sie bei einer Algorithmusfrage Eingabebeschränkungen und erforderliche Ausgabe vor, bevor Sie nach einem Ansatz fragen. Unterscheiden Sie erzeugten Code von Code, der tatsächlich in der Anwendungsumgebung ausgeführt wurde.
Eine nützliche Antwort kann Diagnose, Patch und erwartetes Verhalten getrennt darstellen. Fordern Sie bei einer kleinen benötigten Änderung einen kompakten Patch statt eines neu geschriebenen Projekts an. Diese Beispiele sind ausgearbeitete Möglichkeiten, die mathematische und programmiertechnische Spezialisierung von QwQ-Plus anzuwenden; sie sind kein zusätzliches Werkzeug und keine Ausführungsfähigkeit.
Kontext und Antwortgrenzen
Die genaue Modellspezifikation nennt ein Kontextfenster von 131.072 Tokens, eine maximale Eingabe von 98.304 Tokens und eine maximale Ausgabe von 8.192 Tokens. Dies sind getrennte Herstellergrenzen. Machen Sie aus ihrer rechnerischen Differenz kein undokumentiertes garantiertes Reasoning-Budget. Ausgangstext, Gesprächsverlauf und Antwort müssen innerhalb der jeweils geltenden konfigurierten Grenzen bleiben.
Bewahren Sie bei einer langen Spezifikation oder einem Codeauszug relevante Abschnitts- und Funktionskennungen und fordern Sie das Modell auf, in seiner Erklärung darauf Bezug zu nehmen. Entfernen Sie vor der Übermittlung sachfremdes Material und reservieren Sie ausreichend Ausgabeplatz für die erforderliche Schlussfolgerung. Ein großes Kontextfenster hilft, mehr Bedingungen gemeinsam bereitzustellen; es verspricht nicht, dass jeder Fakt erinnert oder jede Abhängigkeit verstanden wird.
Werkzeuge, Formatierung und modellspezifische Grenzen
Die Bereitstellungsmatrix des Herstellers führt Funktionsaufrufe und Websuche in manchen Konfigurationen an und kennzeichnet sie in einer anderen als nicht unterstützt. Es sind daher bedingte Fähigkeiten und keine Merkmale, die allein aufgrund des Modellnamens zugesagt werden können. Dieselbe Matrix unterstützt Batch-Inferenz in einigen Herstellerkonfigurationen. Ein werkzeuggestützter Workflow muss die tatsächlichen Werkzeuge bereitstellen und ihre Ergebnisse in die Textaufgabe zurückführen. Diese Beschreibung weist keine Werkzeugverfügbarkeit einer Anwendung nach.
Erzwungene strukturierte Ausgaben sind als nicht unterstützt gekennzeichnet. Ein Prompt kann weiterhin eine Tabelle oder eine Antwort in JSON-Form anfordern, doch die Anwendung muss das Ergebnis prüfen, statt diese Anforderung als Schemaerzwingung zu behandeln. Die genaue Modellseite beschreibt eine Reasoning-Spezialisierung, ohne eine modellspezifische Spezifikation für das Umschalten zwischen Denkmodus und direkter Antwort bereitzustellen; Steuerungsmöglichkeiten neuerer Qwen-Generationen sollten nicht in diese Edition übernommen werden.
Halten Sie die endgültige Antwort leicht überprüfbar, kontrollieren Sie Berechnungen anhand der angegebenen Einheiten und prüfen Sie Codevorschläge vor ihrer Ausführung. Die praktische Rolle von QwQ-Plus ist, ein schwieriges Textproblem zu durchdenken und eine nützliche Erklärung oder ein Arbeitsergebnis innerhalb seiner eigenen dokumentierten Grenzen zurückzugeben.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwq-plus | 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 $0.00046 / 1K Tokens Ausgabe · Ausgabetoken $0.00116 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwq-plus",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwq-plus', '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': 'qwq-plus', '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 qwq-plus
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Review a learner calculation\n\nReview this learner solution: "A 30 percent discount on 80 gives 80 - 30 = 50." Identify the first incorrect step, explain the correct percentage operation and calculate the final price. Give a short check by adding the discount back to the sale price. Use only these numbers and no tax assumption.A concise correction identifying the unsupported subtraction, the calculation and a labelled final price.Verify the discount is 30 percent of 80 and the price plus discount returns 80.