Qwen3-235B-A22B-Thinking-2507 entwickelt den Schlussfolgerungszweig von Qwen3 für komplexe logische, mathematische, wissenschaftliche und Programmieraufgaben weiter. Qwen nennt auch Anweisungsbefolgung, Werkzeugnutzung, Textgenerierung und Langkontextverständnis als in dieser Edition verbesserte Bereiche. Es nimmt Textgespräche entgegen und generiert Text. Ein nützlicher Auftrag liefert die vollständige Aufgabe, relevante Belege, Bedingungen und die genaue Form des endgültigen Ergebnisses: einen Beweis, Implementierungsplan, ein korrigiertes Programm oder eine durch gelieferte Dokumente gestützte Entscheidung.
Das Modell verwendet eine Mixture-of-Experts-Architektur mit insgesamt 235 Milliarden Parametern und 22 Milliarden aktivierten Parametern für jedes Token. Sein nativer Kontext beträgt 262’144 Tokens. Dieser Platz ist nützlich, um mehrere zusammenhängende Spezifikationen, Quelldateien oder Forschungsauszüge in einem Gespräch zusammenzubringen und gleichzeitig Raum für Schlussfolgern und die endgültige Antwort zu lassen. Kennzeichnen Sie Dokumente und Codeblöcke, legen Sie den Vorrang der Quellen fest und verweisen Sie auf die wichtigen Abschnitte. Ein Softwareanalyseauftrag kann beispielsweise fehlerhaftes Verhalten, erwartetes Verhalten, relevante Funktionen und Bedingungen liefern und anschliessend eine vorgeschlagene Korrektur mit separat aufgeführten Annahmen verlangen.
Dies ist eine reine Thinking-Edition. Sie wechselt nicht in den Non-Thinking-Modus des ursprünglichen Qwen3-Modells. Die offizielle Chatvorlage beginnt den Schlussfolgerungsabschnitt automatisch, sodass eine Ausgabe im erzeugten Text eine schliessende </think>-Markierung ohne öffnende Markierung enthalten kann. Das Beispiel des Herstellers trennt diesen Schlussfolgerungsabschnitt von der endgültigen Antwort. Für eine mathematische Aufgabe empfiehlt Qwen, schrittweises Schlussfolgern und eine endgültige Antwort innerhalb von \\boxed{} zu verlangen. Bei einer Multiple-Choice-Aufgabe schlägt der Hersteller ein Antwortfeld vor, das ausschliesslich den ausgewählten Buchstaben enthält. Diese Anweisungen machen das Ergebnis nach Abschluss des Schlussfolgerns leichter lesbar oder verarbeitbar.
Qwens Generierungsanleitung empfiehlt temperature 0,6, top-p 0,95, top-k 20 und min-p 0. Sie empfiehlt 32’768 Tokens Ausgabelänge für die meisten Anfragen und nennt 81’920 Tokens für aussergewöhnlich anspruchsvolle Mathematik- und Programmierprobleme. Diese Zahlen sind Generierungsempfehlungen des Herstellers, keine separat garantierte Antwortgrenze. Längeres Schlussfolgern benötigt Platz vor der endgültigen Antwort: Ein zu kleines Budget kann die Antwort vor der verlangten Schlussfolgerung beenden. Für spätere Gesprächsrunden behält die offizielle Anleitung die endgültige Antwort im Verlauf und lässt frühere Thinking-Inhalte weg.
Für agentenartige Arbeit empfiehlt Qwen Qwen-Agent, das Werkzeugaufrufvorlagen und Parsing liefert. Seine Beispiele verbinden definierte Werkzeuge wie Informationsabruf und einen Codeinterpreter mit dem Modellgespräch. Bereiten Sie verfügbare Werkzeugbeschreibungen, die Abbruchbedingung der Aufgabe und das erforderliche Ergebnis vor, bevor Sie die Planung der Werkzeugnutzung verlangen. Ein praktischer Rechercheauftrag könnte vorgegebene Belege sammeln, konkurrierende Erklärungen vergleichen und eine Schlussfolgerung mit nach Quellen geordneten Belegen zurückgeben lassen. Werkzeugaufrufe beschreiben Arbeit, die eine Anwendung ausführen soll; der Text des Modells allein ist weder die externe Handlung noch ihr Ergebnis.
Die offizielle Modellkarte beschreibt auch eine optionale Kontexterweiterung auf ungefähr eine Million Tokens mit einer separaten Konfiguration, Dual Chunk Attention und Sparse Attention. Diese unterscheidet sich vom nativen Fenster mit 262’144 Tokens und hängt von der vorgeschriebenen Implementierung und beträchtlichen Speicherressourcen ab. Der Hersteller warnt, dass Kontext- und Speicherbeschränkungen kürzere Sequenzen erfordern können. Ordnen Sie bei gewöhnlicher Langdokumentarbeit die Eingabe um die tatsächliche Frage, bewahren Sie Dokumentgrenzen und verlangen Sie eine knappe endgültige Synthese, die ungeklärte Belege kennzeichnet. So bleibt das nützliche Ergebnis vom möglicherweise langen Schlussfolgerungsprozess getrennt.
", "aboutText": "Qwen3-235B-A22B-Thinking-2507 entwickelt den Schlussfolgerungszweig von Qwen3 für komplexe logische, mathematische, wissenschaftliche und Programmieraufgaben weiter. Qwen nennt auch Anweisungsbefolgung, Werkzeugnutzung, Textgenerierung und Langkontextverständnis als in dieser Edition verbesserte Bereiche. Es nimmt Textgespräche entgegen und generiert Text. Ein nützlicher Auftrag liefert die vollständige Aufgabe, relevante Belege, Bedingungen und die genaue Form des endgültigen Ergebnisses: einen Beweis, Implementierungsplan, ein korrigiertes Programm oder eine durch gelieferte Dokumente gestützte Entscheidung.\n\nDas Modell verwendet eine Mixture-of-Experts-Architektur mit insgesamt 235 Milliarden Parametern und 22 Milliarden aktivierten Parametern für jedes Token. Sein nativer Kontext beträgt 262’144 Tokens. Dieser Platz ist nützlich, um mehrere zusammenhängende Spezifikationen, Quelldateien oder Forschungsauszüge in einem Gespräch zusammenzubringen und gleichzeitig Raum für Schlussfolgern und die endgültige Antwort zu lassen. Kennzeichnen Sie Dokumente und Codeblöcke, legen Sie den Vorrang der Quellen fest und verweisen Sie auf die wichtigen Abschnitte. Ein Softwareanalyseauftrag kann beispielsweise fehlerhaftes Verhalten, erwartetes Verhalten, relevante Funktionen und Bedingungen liefern und anschliessend eine vorgeschlagene Korrektur mit separat aufgeführten Annahmen verlangen.\n\nDies ist eine reine Thinking-Edition. Sie wechselt nicht in den Non-Thinking-Modus des ursprünglichen Qwen3-Modells. Die offizielle Chatvorlage beginnt den Schlussfolgerungsabschnitt automatisch, sodass eine Ausgabe im erzeugten Text eine schliessende -Markierung ohne öffnende Markierung enthalten kann. Das Beispiel des Herstellers trennt diesen Schlussfolgerungsabschnitt von der endgültigen Antwort. Für eine mathematische Aufgabe empfiehlt Qwen, schrittweises Schlussfolgern und eine endgültige Antwort innerhalb von \\boxed{} zu verlangen. Bei einer Multiple-Choice-Aufgabe schlägt der Hersteller ein Antwortfeld vor, das ausschliesslich den ausgewählten Buchstaben enthält. Diese Anweisungen machen das Ergebnis nach Abschluss des Schlussfolgerns leichter lesbar oder verarbeitbar.\n\nQwens Generierungsanleitung empfiehlt temperature 0,6, top-p 0,95, top-k 20 und min-p 0. Sie empfiehlt 32’768 Tokens Ausgabelänge für die meisten Anfragen und nennt 81’920 Tokens für aussergewöhnlich anspruchsvolle Mathematik- und Programmierprobleme. Diese Zahlen sind Generierungsempfehlungen des Herstellers, keine separat garantierte Antwortgrenze. Längeres Schlussfolgern benötigt Platz vor der endgültigen Antwort: Ein zu kleines Budget kann die Antwort vor der verlangten Schlussfolgerung beenden. Für spätere Gesprächsrunden behält die offizielle Anleitung die endgültige Antwort im Verlauf und lässt frühere Thinking-Inhalte weg.\n\nFür agentenartige Arbeit empfiehlt Qwen Qwen-Agent, das Werkzeugaufrufvorlagen und Parsing liefert. Seine Beispiele verbinden definierte Werkzeuge wie Informationsabruf und einen Codeinterpreter mit dem Modellgespräch. Bereiten Sie verfügbare Werkzeugbeschreibungen, die Abbruchbedingung der Aufgabe und das erforderliche Ergebnis vor, bevor Sie die Planung der Werkzeugnutzung verlangen. Ein praktischer Rechercheauftrag könnte vorgegebene Belege sammeln, konkurrierende Erklärungen vergleichen und eine Schlussfolgerung mit nach Quellen geordneten Belegen zurückgeben lassen. Werkzeugaufrufe beschreiben Arbeit, die eine Anwendung ausführen soll; der Text des Modells allein ist weder die externe Handlung noch ihr Ergebnis.\n\nDie offizielle Modellkarte beschreibt auch eine optionale Kontexterweiterung auf ungefähr eine Million Tokens mit einer separaten Konfiguration, Dual Chunk Attention und Sparse Attention. Diese unterscheidet sich vom nativen Fenster mit 262’144 Tokens und hängt von der vorgeschriebenen Implementierung und beträchtlichen Speicherressourcen ab. Der Hersteller warnt, dass Kontext- und Speicherbeschränkungen kürzere Sequenzen erfordern können. Ordnen Sie bei gewöhnlicher Langdokumentarbeit die Eingabe um die tatsächliche Frage, bewahren Sie Dokumentgrenzen und verlangen Sie eine knappe endgültige Synthese, die ungeklärte Belege kennzeichnet. So bleibt das nützliche Ergebnis vom möglicherweise langen Schlussfolgerungsprozess getrennt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Check a constrained allocation\n\nAllocate 17 identical work units to two teams. Team A must receive at least 6 and an even number; Team B must receive at least 5. Minimize the difference between team totals. List the valid allocations nearest equality, select the best and explain why no smaller difference is possible under the parity rule.A compact allocation analysis with feasible candidates, selected totals and a checkable optimality argument.Verify the totals sum to 17, A is even, both minimums hold and the comparison includes both sides of equality.qwen/qwen3-235b-a22b-thinking-2507Qwen3-235B-A22B-Thinking-2507 ist Qwens ausschliesslich schlussfolgerndes Textmodell für anspruchsvolle Mathematik, Wissenschaft, Programmierung und Langdokumentanalyse. Sein nativer Kontext von 262’144 Tokens und ausführliches Schlussfolgern eignen sich für Probleme mit mehreren verbundenen Schritten.
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-Thinking-2507 entwickelt den Schlussfolgerungszweig von Qwen3 für komplexe logische, mathematische, wissenschaftliche und Programmieraufgaben weiter. Qwen nennt auch Anweisungsbefolgung, Werkzeugnutzung, Textgenerierung und Langkontextverständnis als in dieser Edition verbesserte Bereiche. Es nimmt Textgespräche entgegen und generiert Text. Ein nützlicher Auftrag liefert die vollständige Aufgabe, relevante Belege, Bedingungen und die genaue Form des endgültigen Ergebnisses: einen Beweis, Implementierungsplan, ein korrigiertes Programm oder eine durch gelieferte Dokumente gestützte Entscheidung.
Das Modell verwendet eine Mixture-of-Experts-Architektur mit insgesamt 235 Milliarden Parametern und 22 Milliarden aktivierten Parametern für jedes Token. Sein nativer Kontext beträgt 262’144 Tokens. Dieser Platz ist nützlich, um mehrere zusammenhängende Spezifikationen, Quelldateien oder Forschungsauszüge in einem Gespräch zusammenzubringen und gleichzeitig Raum für Schlussfolgern und die endgültige Antwort zu lassen. Kennzeichnen Sie Dokumente und Codeblöcke, legen Sie den Vorrang der Quellen fest und verweisen Sie auf die wichtigen Abschnitte. Ein Softwareanalyseauftrag kann beispielsweise fehlerhaftes Verhalten, erwartetes Verhalten, relevante Funktionen und Bedingungen liefern und anschliessend eine vorgeschlagene Korrektur mit separat aufgeführten Annahmen verlangen.
Dies ist eine reine Thinking-Edition. Sie wechselt nicht in den Non-Thinking-Modus des ursprünglichen Qwen3-Modells. Die offizielle Chatvorlage beginnt den Schlussfolgerungsabschnitt automatisch, sodass eine Ausgabe im erzeugten Text eine schliessende </think>-Markierung ohne öffnende Markierung enthalten kann. Das Beispiel des Herstellers trennt diesen Schlussfolgerungsabschnitt von der endgültigen Antwort. Für eine mathematische Aufgabe empfiehlt Qwen, schrittweises Schlussfolgern und eine endgültige Antwort innerhalb von \\boxed{} zu verlangen. Bei einer Multiple-Choice-Aufgabe schlägt der Hersteller ein Antwortfeld vor, das ausschliesslich den ausgewählten Buchstaben enthält. Diese Anweisungen machen das Ergebnis nach Abschluss des Schlussfolgerns leichter lesbar oder verarbeitbar.
Qwens Generierungsanleitung empfiehlt temperature 0,6, top-p 0,95, top-k 20 und min-p 0. Sie empfiehlt 32’768 Tokens Ausgabelänge für die meisten Anfragen und nennt 81’920 Tokens für aussergewöhnlich anspruchsvolle Mathematik- und Programmierprobleme. Diese Zahlen sind Generierungsempfehlungen des Herstellers, keine separat garantierte Antwortgrenze. Längeres Schlussfolgern benötigt Platz vor der endgültigen Antwort: Ein zu kleines Budget kann die Antwort vor der verlangten Schlussfolgerung beenden. Für spätere Gesprächsrunden behält die offizielle Anleitung die endgültige Antwort im Verlauf und lässt frühere Thinking-Inhalte weg.
Für agentenartige Arbeit empfiehlt Qwen Qwen-Agent, das Werkzeugaufrufvorlagen und Parsing liefert. Seine Beispiele verbinden definierte Werkzeuge wie Informationsabruf und einen Codeinterpreter mit dem Modellgespräch. Bereiten Sie verfügbare Werkzeugbeschreibungen, die Abbruchbedingung der Aufgabe und das erforderliche Ergebnis vor, bevor Sie die Planung der Werkzeugnutzung verlangen. Ein praktischer Rechercheauftrag könnte vorgegebene Belege sammeln, konkurrierende Erklärungen vergleichen und eine Schlussfolgerung mit nach Quellen geordneten Belegen zurückgeben lassen. Werkzeugaufrufe beschreiben Arbeit, die eine Anwendung ausführen soll; der Text des Modells allein ist weder die externe Handlung noch ihr Ergebnis.
Die offizielle Modellkarte beschreibt auch eine optionale Kontexterweiterung auf ungefähr eine Million Tokens mit einer separaten Konfiguration, Dual Chunk Attention und Sparse Attention. Diese unterscheidet sich vom nativen Fenster mit 262’144 Tokens und hängt von der vorgeschriebenen Implementierung und beträchtlichen Speicherressourcen ab. Der Hersteller warnt, dass Kontext- und Speicherbeschränkungen kürzere Sequenzen erfordern können. Ordnen Sie bei gewöhnlicher Langdokumentarbeit die Eingabe um die tatsächliche Frage, bewahren Sie Dokumentgrenzen und verlangen Sie eine knappe endgültige Synthese, die ungeklärte Belege kennzeichnet. So bleibt das nützliche Ergebnis vom möglicherweise langen Schlussfolgerungsprozess getrennt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-235b-a22b-thinking-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 $0.0009 / 1K Tokens Ausgabe · Ausgabetoken $0.007 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0009 / 1K Tokens Ausgabe · Ausgabetoken $0.007 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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-thinking-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-thinking-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-thinking-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-thinking-2507
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3-235b-a22b-thinking-2507Qwen3-235B-A22B-Thinking-2507 ist Qwens ausschliesslich schlussfolgerndes Textmodell für anspruchsvolle Mathematik, Wissenschaft, Programmierung und Langdokumentanalyse. Sein nativer Kontext von 262’144 Tokens und ausführliches Schlussfolgern eignen sich für Probleme mit mehreren verbundenen Schritten.
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-Thinking-2507 entwickelt den Schlussfolgerungszweig von Qwen3 für komplexe logische, mathematische, wissenschaftliche und Programmieraufgaben weiter. Qwen nennt auch Anweisungsbefolgung, Werkzeugnutzung, Textgenerierung und Langkontextverständnis als in dieser Edition verbesserte Bereiche. Es nimmt Textgespräche entgegen und generiert Text. Ein nützlicher Auftrag liefert die vollständige Aufgabe, relevante Belege, Bedingungen und die genaue Form des endgültigen Ergebnisses: einen Beweis, Implementierungsplan, ein korrigiertes Programm oder eine durch gelieferte Dokumente gestützte Entscheidung.
Das Modell verwendet eine Mixture-of-Experts-Architektur mit insgesamt 235 Milliarden Parametern und 22 Milliarden aktivierten Parametern für jedes Token. Sein nativer Kontext beträgt 262’144 Tokens. Dieser Platz ist nützlich, um mehrere zusammenhängende Spezifikationen, Quelldateien oder Forschungsauszüge in einem Gespräch zusammenzubringen und gleichzeitig Raum für Schlussfolgern und die endgültige Antwort zu lassen. Kennzeichnen Sie Dokumente und Codeblöcke, legen Sie den Vorrang der Quellen fest und verweisen Sie auf die wichtigen Abschnitte. Ein Softwareanalyseauftrag kann beispielsweise fehlerhaftes Verhalten, erwartetes Verhalten, relevante Funktionen und Bedingungen liefern und anschliessend eine vorgeschlagene Korrektur mit separat aufgeführten Annahmen verlangen.
Dies ist eine reine Thinking-Edition. Sie wechselt nicht in den Non-Thinking-Modus des ursprünglichen Qwen3-Modells. Die offizielle Chatvorlage beginnt den Schlussfolgerungsabschnitt automatisch, sodass eine Ausgabe im erzeugten Text eine schliessende </think>-Markierung ohne öffnende Markierung enthalten kann. Das Beispiel des Herstellers trennt diesen Schlussfolgerungsabschnitt von der endgültigen Antwort. Für eine mathematische Aufgabe empfiehlt Qwen, schrittweises Schlussfolgern und eine endgültige Antwort innerhalb von \\boxed{} zu verlangen. Bei einer Multiple-Choice-Aufgabe schlägt der Hersteller ein Antwortfeld vor, das ausschliesslich den ausgewählten Buchstaben enthält. Diese Anweisungen machen das Ergebnis nach Abschluss des Schlussfolgerns leichter lesbar oder verarbeitbar.
Qwens Generierungsanleitung empfiehlt temperature 0,6, top-p 0,95, top-k 20 und min-p 0. Sie empfiehlt 32’768 Tokens Ausgabelänge für die meisten Anfragen und nennt 81’920 Tokens für aussergewöhnlich anspruchsvolle Mathematik- und Programmierprobleme. Diese Zahlen sind Generierungsempfehlungen des Herstellers, keine separat garantierte Antwortgrenze. Längeres Schlussfolgern benötigt Platz vor der endgültigen Antwort: Ein zu kleines Budget kann die Antwort vor der verlangten Schlussfolgerung beenden. Für spätere Gesprächsrunden behält die offizielle Anleitung die endgültige Antwort im Verlauf und lässt frühere Thinking-Inhalte weg.
Für agentenartige Arbeit empfiehlt Qwen Qwen-Agent, das Werkzeugaufrufvorlagen und Parsing liefert. Seine Beispiele verbinden definierte Werkzeuge wie Informationsabruf und einen Codeinterpreter mit dem Modellgespräch. Bereiten Sie verfügbare Werkzeugbeschreibungen, die Abbruchbedingung der Aufgabe und das erforderliche Ergebnis vor, bevor Sie die Planung der Werkzeugnutzung verlangen. Ein praktischer Rechercheauftrag könnte vorgegebene Belege sammeln, konkurrierende Erklärungen vergleichen und eine Schlussfolgerung mit nach Quellen geordneten Belegen zurückgeben lassen. Werkzeugaufrufe beschreiben Arbeit, die eine Anwendung ausführen soll; der Text des Modells allein ist weder die externe Handlung noch ihr Ergebnis.
Die offizielle Modellkarte beschreibt auch eine optionale Kontexterweiterung auf ungefähr eine Million Tokens mit einer separaten Konfiguration, Dual Chunk Attention und Sparse Attention. Diese unterscheidet sich vom nativen Fenster mit 262’144 Tokens und hängt von der vorgeschriebenen Implementierung und beträchtlichen Speicherressourcen ab. Der Hersteller warnt, dass Kontext- und Speicherbeschränkungen kürzere Sequenzen erfordern können. Ordnen Sie bei gewöhnlicher Langdokumentarbeit die Eingabe um die tatsächliche Frage, bewahren Sie Dokumentgrenzen und verlangen Sie eine knappe endgültige Synthese, die ungeklärte Belege kennzeichnet. So bleibt das nützliche Ergebnis vom möglicherweise langen Schlussfolgerungsprozess getrennt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-235b-a22b-thinking-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 $0.0009 / 1K Tokens Ausgabe · Ausgabetoken $0.007 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0009 / 1K Tokens Ausgabe · Ausgabetoken $0.007 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3-235b-a22b-thinking-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-thinking-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-thinking-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-thinking-2507
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Check a constrained allocation\n\nAllocate 17 identical work units to two teams. Team A must receive at least 6 and an even number; Team B must receive at least 5. Minimize the difference between team totals. List the valid allocations nearest equality, select the best and explain why no smaller difference is possible under the parity rule.A compact allocation analysis with feasible candidates, selected totals and a checkable optimality argument.Verify the totals sum to 17, A is even, both minimums hold and the comparison includes both sides of equality.