Qwen3-235B-A22B-Instruct-2507 ist die aktualisierte anweisungsbefolgende Non-Thinking-Edition des grossen Mixture-of-Experts-Modells von Qwen3. Qwen hebt Verbesserungen bei Textverständnis, logischem Schlussfolgern, Mathematik, Wissenschaft, Programmierung und Werkzeugnutzung hervor, zusammen mit breiterem mehrsprachigem Wissen und besserem Umgang mit offenem Schreiben. Eingaben und Ausgaben sind Text. Es ist nützlich, um einen klar definierten Auftrag und geliefertes Material in eine Antwort, Analyse, ein Programm oder einen ausgearbeiteten Entwurf umzusetzen, ohne einen separat erzeugten Thinking-Abschnitt.
Das Modell hat insgesamt 235 Milliarden Parameter und aktiviert 22 Milliarden für jedes Token. Sein nativer Kontext beträgt 262’144 Tokens. Eine praktische Anfrage mit langer Eingabe kann eine Produktspezifikation, Implementierungsnotizen und eine Liste offener Fragen zusammenbringen und anschliessend einen strukturierten Vergleich oder eine überarbeitete Spezifikation verlangen. Bewahren Sie Quellüberschriften und benennen Sie Zielgruppe, zu ändernde Abschnitte und Bedingungen, die die Ausgabe erfüllen muss. Geben Sie für Schreibaufgaben Ton, Länge und erforderliche Fakten vor; für Programmieraufgaben Schnittstellen, erwartetes Verhalten und umgebenden Code.
Diese Edition unterstützt ausschliesslich Non-Thinking und erzeugt keine <think>-Blöcke. Sie benötigt den Schalter enable_thinking=False des ursprünglichen hybriden Modells nicht, und die Anforderung des Modus des späteren Thinking-2507-Modells ändert ihre Edition nicht. Direkte Ausgabe erlaubt weiterhin eine Erklärung, Berechnung oder begründete Antwort, wenn diese verlangt wird. Qwens Beispiele vereinheitlichen eine mathematische Antwort mit \\boxed{} und eine Multiple-Choice-Antwort mit einem vorgegebenen Antwortfeld. Ähnlich ausdrückliche Anweisungen können eine kurze Begründung mit anschliessender abschliessender Empfehlung oder definierte JSON-Felder verlangen, deren Bedeutung im Prompt angegeben ist.
Für Agentenabläufe empfiehlt die offizielle Modellkarte Qwen-Agent mit seinen Werkzeugaufrufvorlagen und Parsern. Werkzeuge können einzeln oder über eine strukturierte Werkzeugkonfiguration definiert werden; der Hersteller zeigt Informationsabruf und einen Codeinterpreter. Eine nützliche Vorbereitung beschreibt Zweck und Argumente jedes Werkzeugs, liefert bereits verfügbares Material und legt den gewünschten Endpunkt der Aufgabe fest. Beispielsweise kann ein Dokumentassistent benannte Abschnitte abrufen, Unterschiede abgleichen und eine aktualisierte Erklärung zurückgeben. Die umgebende Anwendung führt angeforderte Werkzeuge aus und gibt ihre Ergebnisse an das Gespräch zurück.
Der Hersteller empfiehlt temperature 0,7, top-p 0,8, top-k 20 und min-p 0 sowie eine Ausgabelänge von 16’384 Tokens für die meisten Anfragen. Das ist Generierungsanleitung, keine Aussage, dass jede Antwort ein festes Maximum erreichen kann. Die Modellkarte erwähnt auch, dass eine Presence Penalty wiederholende Ausgabe verringern kann, während höhere Werte Sprachmischung verursachen und die Qualität leicht senken können. Ein gezielter Auftrag und eine ausdrückliche Ausgabestruktur sind nützlich, bevor solche Steuerungen geändert werden: Verlangen Sie genau die benötigten Abschnitte, Felder oder Beispiele und reservieren Sie ausreichend Platz dafür.
Qwen dokumentiert eine optionale Erweiterung auf 1’010’000 Tokens über eine separate Konfiguration mit Dual Chunk Attention und Sparse Attention. Das native Fenster bleibt bei 262’144 Tokens; die grössere Einstellung hängt von der vorgeschriebenen Implementierung und den Speicherressourcen ab. Die Modellkarte weist ausdrücklich darauf hin, dass Speicherbeschränkungen einen kürzeren konfigurierten Kontext erfordern können. Wählen Sie bei umfangreichem Material die relevanten Quellen, nennen Sie ihre Priorität und lassen Sie Schlussfolgerungen, die durch den gelieferten Text gestützt werden, von offenen Fragen trennen. So wird ein Langkontextergebnis nutzbar, ohne Eingabekapazität als Ersatz für eine präzise Aufgabe zu behandeln.
", "aboutText": "Qwen3-235B-A22B-Instruct-2507 ist die aktualisierte anweisungsbefolgende Non-Thinking-Edition des grossen Mixture-of-Experts-Modells von Qwen3. Qwen hebt Verbesserungen bei Textverständnis, logischem Schlussfolgern, Mathematik, Wissenschaft, Programmierung und Werkzeugnutzung hervor, zusammen mit breiterem mehrsprachigem Wissen und besserem Umgang mit offenem Schreiben. Eingaben und Ausgaben sind Text. Es ist nützlich, um einen klar definierten Auftrag und geliefertes Material in eine Antwort, Analyse, ein Programm oder einen ausgearbeiteten Entwurf umzusetzen, ohne einen separat erzeugten Thinking-Abschnitt.\n\nDas Modell hat insgesamt 235 Milliarden Parameter und aktiviert 22 Milliarden für jedes Token. Sein nativer Kontext beträgt 262’144 Tokens. Eine praktische Anfrage mit langer Eingabe kann eine Produktspezifikation, Implementierungsnotizen und eine Liste offener Fragen zusammenbringen und anschliessend einen strukturierten Vergleich oder eine überarbeitete Spezifikation verlangen. Bewahren Sie Quellüberschriften und benennen Sie Zielgruppe, zu ändernde Abschnitte und Bedingungen, die die Ausgabe erfüllen muss. Geben Sie für Schreibaufgaben Ton, Länge und erforderliche Fakten vor; für Programmieraufgaben Schnittstellen, erwartetes Verhalten und umgebenden Code.\n\nDiese Edition unterstützt ausschliesslich Non-Thinking und erzeugt keineTechnisches Beispiel auf Englisch
Update a specification from notes\n\nProduce an updated export specification from these sources. [SPEC] Export all visible rows with headers. [IMPLEMENTATION] Current code exports selected rows only. [DECISION] Users must choose either selected rows or all filtered rows; headers are always included. Decision takes priority. Return the revised requirement, the implementation gap and questions still needed for an empty selection.A revised specification section, a source-labeled gap note and an empty-selection question.Check the two export choices remain distinct and headers stay mandatory.qwen/qwen3-235b-a22b-2507Qwen3-235B-A22B-Instruct-2507 ist Qwens Non-Thinking-Textmodell für mehrsprachiges Schreiben, Programmierung, Anweisungsbefolgung und Dokumentanalyse. Es erzeugt direkte Antworten ohne Thinking-Blöcke und hat einen nativen Kontext von 262’144 Tokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3-235B-A22B-Instruct-2507 ist die aktualisierte anweisungsbefolgende Non-Thinking-Edition des grossen Mixture-of-Experts-Modells von Qwen3. Qwen hebt Verbesserungen bei Textverständnis, logischem Schlussfolgern, Mathematik, Wissenschaft, Programmierung und Werkzeugnutzung hervor, zusammen mit breiterem mehrsprachigem Wissen und besserem Umgang mit offenem Schreiben. Eingaben und Ausgaben sind Text. Es ist nützlich, um einen klar definierten Auftrag und geliefertes Material in eine Antwort, Analyse, ein Programm oder einen ausgearbeiteten Entwurf umzusetzen, ohne einen separat erzeugten Thinking-Abschnitt.
Das Modell hat insgesamt 235 Milliarden Parameter und aktiviert 22 Milliarden für jedes Token. Sein nativer Kontext beträgt 262’144 Tokens. Eine praktische Anfrage mit langer Eingabe kann eine Produktspezifikation, Implementierungsnotizen und eine Liste offener Fragen zusammenbringen und anschliessend einen strukturierten Vergleich oder eine überarbeitete Spezifikation verlangen. Bewahren Sie Quellüberschriften und benennen Sie Zielgruppe, zu ändernde Abschnitte und Bedingungen, die die Ausgabe erfüllen muss. Geben Sie für Schreibaufgaben Ton, Länge und erforderliche Fakten vor; für Programmieraufgaben Schnittstellen, erwartetes Verhalten und umgebenden Code.
Diese Edition unterstützt ausschliesslich Non-Thinking und erzeugt keine <think>-Blöcke. Sie benötigt den Schalter enable_thinking=False des ursprünglichen hybriden Modells nicht, und die Anforderung des Modus des späteren Thinking-2507-Modells ändert ihre Edition nicht. Direkte Ausgabe erlaubt weiterhin eine Erklärung, Berechnung oder begründete Antwort, wenn diese verlangt wird. Qwens Beispiele vereinheitlichen eine mathematische Antwort mit \\boxed{} und eine Multiple-Choice-Antwort mit einem vorgegebenen Antwortfeld. Ähnlich ausdrückliche Anweisungen können eine kurze Begründung mit anschliessender abschliessender Empfehlung oder definierte JSON-Felder verlangen, deren Bedeutung im Prompt angegeben ist.
Für Agentenabläufe empfiehlt die offizielle Modellkarte Qwen-Agent mit seinen Werkzeugaufrufvorlagen und Parsern. Werkzeuge können einzeln oder über eine strukturierte Werkzeugkonfiguration definiert werden; der Hersteller zeigt Informationsabruf und einen Codeinterpreter. Eine nützliche Vorbereitung beschreibt Zweck und Argumente jedes Werkzeugs, liefert bereits verfügbares Material und legt den gewünschten Endpunkt der Aufgabe fest. Beispielsweise kann ein Dokumentassistent benannte Abschnitte abrufen, Unterschiede abgleichen und eine aktualisierte Erklärung zurückgeben. Die umgebende Anwendung führt angeforderte Werkzeuge aus und gibt ihre Ergebnisse an das Gespräch zurück.
Der Hersteller empfiehlt temperature 0,7, top-p 0,8, top-k 20 und min-p 0 sowie eine Ausgabelänge von 16’384 Tokens für die meisten Anfragen. Das ist Generierungsanleitung, keine Aussage, dass jede Antwort ein festes Maximum erreichen kann. Die Modellkarte erwähnt auch, dass eine Presence Penalty wiederholende Ausgabe verringern kann, während höhere Werte Sprachmischung verursachen und die Qualität leicht senken können. Ein gezielter Auftrag und eine ausdrückliche Ausgabestruktur sind nützlich, bevor solche Steuerungen geändert werden: Verlangen Sie genau die benötigten Abschnitte, Felder oder Beispiele und reservieren Sie ausreichend Platz dafür.
Qwen dokumentiert eine optionale Erweiterung auf 1’010’000 Tokens über eine separate Konfiguration mit Dual Chunk Attention und Sparse Attention. Das native Fenster bleibt bei 262’144 Tokens; die grössere Einstellung hängt von der vorgeschriebenen Implementierung und den Speicherressourcen ab. Die Modellkarte weist ausdrücklich darauf hin, dass Speicherbeschränkungen einen kürzeren konfigurierten Kontext erfordern können. Wählen Sie bei umfangreichem Material die relevanten Quellen, nennen Sie ihre Priorität und lassen Sie Schlussfolgerungen, die durch den gelieferten Text gestützt werden, von offenen Fragen trennen. So wird ein Langkontextergebnis nutzbar, ohne Eingabekapazität als Ersatz für eine präzise Aufgabe zu behandeln.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-235b-a22b-2507 | 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 $0.000572 / 1K Tokens Ausgabe · Ausgabetoken $0.00228 / 1K Tokens Eingabe · Cache lesen $0.0001 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.000572 / 1K Tokens Ausgabe · Ausgabetoken $0.00228 / 1K Tokens Eingabe · Cache lesen $0.0001 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-235b-a22b-2507", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3-235b-a22b-2507',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3-235b-a22b-2507',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen/qwen3-235b-a22b-2507
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3-235b-a22b-2507Qwen3-235B-A22B-Instruct-2507 ist Qwens Non-Thinking-Textmodell für mehrsprachiges Schreiben, Programmierung, Anweisungsbefolgung und Dokumentanalyse. Es erzeugt direkte Antworten ohne Thinking-Blöcke und hat einen nativen Kontext von 262’144 Tokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3-235B-A22B-Instruct-2507 ist die aktualisierte anweisungsbefolgende Non-Thinking-Edition des grossen Mixture-of-Experts-Modells von Qwen3. Qwen hebt Verbesserungen bei Textverständnis, logischem Schlussfolgern, Mathematik, Wissenschaft, Programmierung und Werkzeugnutzung hervor, zusammen mit breiterem mehrsprachigem Wissen und besserem Umgang mit offenem Schreiben. Eingaben und Ausgaben sind Text. Es ist nützlich, um einen klar definierten Auftrag und geliefertes Material in eine Antwort, Analyse, ein Programm oder einen ausgearbeiteten Entwurf umzusetzen, ohne einen separat erzeugten Thinking-Abschnitt.
Das Modell hat insgesamt 235 Milliarden Parameter und aktiviert 22 Milliarden für jedes Token. Sein nativer Kontext beträgt 262’144 Tokens. Eine praktische Anfrage mit langer Eingabe kann eine Produktspezifikation, Implementierungsnotizen und eine Liste offener Fragen zusammenbringen und anschliessend einen strukturierten Vergleich oder eine überarbeitete Spezifikation verlangen. Bewahren Sie Quellüberschriften und benennen Sie Zielgruppe, zu ändernde Abschnitte und Bedingungen, die die Ausgabe erfüllen muss. Geben Sie für Schreibaufgaben Ton, Länge und erforderliche Fakten vor; für Programmieraufgaben Schnittstellen, erwartetes Verhalten und umgebenden Code.
Diese Edition unterstützt ausschliesslich Non-Thinking und erzeugt keine <think>-Blöcke. Sie benötigt den Schalter enable_thinking=False des ursprünglichen hybriden Modells nicht, und die Anforderung des Modus des späteren Thinking-2507-Modells ändert ihre Edition nicht. Direkte Ausgabe erlaubt weiterhin eine Erklärung, Berechnung oder begründete Antwort, wenn diese verlangt wird. Qwens Beispiele vereinheitlichen eine mathematische Antwort mit \\boxed{} und eine Multiple-Choice-Antwort mit einem vorgegebenen Antwortfeld. Ähnlich ausdrückliche Anweisungen können eine kurze Begründung mit anschliessender abschliessender Empfehlung oder definierte JSON-Felder verlangen, deren Bedeutung im Prompt angegeben ist.
Für Agentenabläufe empfiehlt die offizielle Modellkarte Qwen-Agent mit seinen Werkzeugaufrufvorlagen und Parsern. Werkzeuge können einzeln oder über eine strukturierte Werkzeugkonfiguration definiert werden; der Hersteller zeigt Informationsabruf und einen Codeinterpreter. Eine nützliche Vorbereitung beschreibt Zweck und Argumente jedes Werkzeugs, liefert bereits verfügbares Material und legt den gewünschten Endpunkt der Aufgabe fest. Beispielsweise kann ein Dokumentassistent benannte Abschnitte abrufen, Unterschiede abgleichen und eine aktualisierte Erklärung zurückgeben. Die umgebende Anwendung führt angeforderte Werkzeuge aus und gibt ihre Ergebnisse an das Gespräch zurück.
Der Hersteller empfiehlt temperature 0,7, top-p 0,8, top-k 20 und min-p 0 sowie eine Ausgabelänge von 16’384 Tokens für die meisten Anfragen. Das ist Generierungsanleitung, keine Aussage, dass jede Antwort ein festes Maximum erreichen kann. Die Modellkarte erwähnt auch, dass eine Presence Penalty wiederholende Ausgabe verringern kann, während höhere Werte Sprachmischung verursachen und die Qualität leicht senken können. Ein gezielter Auftrag und eine ausdrückliche Ausgabestruktur sind nützlich, bevor solche Steuerungen geändert werden: Verlangen Sie genau die benötigten Abschnitte, Felder oder Beispiele und reservieren Sie ausreichend Platz dafür.
Qwen dokumentiert eine optionale Erweiterung auf 1’010’000 Tokens über eine separate Konfiguration mit Dual Chunk Attention und Sparse Attention. Das native Fenster bleibt bei 262’144 Tokens; die grössere Einstellung hängt von der vorgeschriebenen Implementierung und den Speicherressourcen ab. Die Modellkarte weist ausdrücklich darauf hin, dass Speicherbeschränkungen einen kürzeren konfigurierten Kontext erfordern können. Wählen Sie bei umfangreichem Material die relevanten Quellen, nennen Sie ihre Priorität und lassen Sie Schlussfolgerungen, die durch den gelieferten Text gestützt werden, von offenen Fragen trennen. So wird ein Langkontextergebnis nutzbar, ohne Eingabekapazität als Ersatz für eine präzise Aufgabe zu behandeln.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-235b-a22b-2507 | 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 $0.000572 / 1K Tokens Ausgabe · Ausgabetoken $0.00228 / 1K Tokens Eingabe · Cache lesen $0.0001 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.000572 / 1K Tokens Ausgabe · Ausgabetoken $0.00228 / 1K Tokens Eingabe · Cache lesen $0.0001 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3-235b-a22b-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-235b-a22b-2507', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-235b-a22b-2507', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen/qwen3-235b-a22b-2507
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Update a specification from notes\n\nProduce an updated export specification from these sources. [SPEC] Export all visible rows with headers. [IMPLEMENTATION] Current code exports selected rows only. [DECISION] Users must choose either selected rows or all filtered rows; headers are always included. Decision takes priority. Return the revised requirement, the implementation gap and questions still needed for an empty selection.A revised specification section, a source-labeled gap note and an empty-selection question.Check the two export choices remain distinct and headers stay mandatory.