Schwerpunkte: das festgelegte Instruct-2507-Update
Qwen3-30B-A3B-Instruct-2507 ist die aktualisierte Non-Thinking-Edition von Qwen3-30B-A3B. Der Hersteller hebt Verbesserungen bei Anweisungsbefolgung, logischem Schlussfolgern, Textverständnis, Mathematik, Wissenschaft, Programmierung und Werkzeugnutzung hervor, mit breiterem Wissen über weniger häufige Themen in mehreren Sprachen und besserer Abstimmung auf offene Aufgaben. Es nimmt Text entgegen und erzeugt Text: eine Antwort, Erklärung, einen Codevorschlag oder das gewünschte schriftliche Ergebnis.
Halten Sie die feste Kennung 2507 vom ursprünglichen hybriden Qwen3-30B-A3B, seinem FP8-Build und der Thinking-2507-Edition getrennt. Die Beschreibung des mehrsprachigen Wissens gibt für diesen Stand keine separate Garantie einer Sprachenzahl. Legen Sie bei Übersetzungs- oder Überarbeitungsaufgaben Zielsprache, Zielgruppe und unverändert zu haltende Begriffe fest.
Modellüberblick
Das Mixture-of-Experts-Modell hat insgesamt 30,5 Milliarden Parameter und aktiviert 3,3 Milliarden. Es hat 48 Schichten, 128 Experten und acht pro Token ausgewählte Experten. Sein nativer Kontext beträgt 262’144 Tokens. Aktivierte Parameter sind nicht die Grösse des vollständigen Checkpoints, und die Architektur allein belegt keine feste Antwortzeit in einer Anwendung.
Diese Edition unterstützt nur Non-Thinking und erzeugt keine ausdrücklichen Thinking-Blöcke. Die Einstellung enable_thinking=False ist im Ansatz des Herstellers unnötig. Sie kann weiterhin Berechnungen zeigen oder Code in gewöhnlichem Text erklären; die Anforderung unterstützender Schritte macht sie nicht zum separaten Thinking-Checkpoint.
Vorbereitung einer nützlichen Textanfrage
Geben Sie für eine Programmieraufgabe eine relevante Funktion oder ein relevantes Modul, Eingabebeschränkungen, beobachtetes Verhalten und erforderliches Ergebnis vor. Verlangen Sie einen vorgeschlagenen Patch oder eine vollständige Funktion mit einer Erklärung der betroffenen Annahmen. Geben Sie für eine mathematische oder wissenschaftliche Frage die vollständige Aufgabenstellung, Einheiten und Definitionen an und verlangen Sie dann eine klar abgegrenzte endgültige Antwort, gestützt auf die gelieferten Bedingungen.
Nennen Sie für eine offene Schreibaufgabe Zielgruppe, Zweck, Ton und erforderliche Informationen. Eine nützliche Antwort kann ein nach den gewünschten Abschnitten gegliederter bearbeitbarer Entwurf sein, in dem nicht gestützte Annahmen separat gekennzeichnet sind. Vergleichen Sie zurückgegebenen Entwurf, Berechnungen oder vorgeschlagenen Code mit den gelieferten Fakten, Definitionen und Anforderungen.
Agentennutzung
Qwen dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent für Vorlagen und Parsing mit konfigurierten oder über MCP verbundenen Werkzeugen. Legen Sie zulässige Handlungen und beobachtbare Abschlussbedingungen fest. Verbundene Werkzeuge führen externe Operationen aus und geben Beobachtungen zurück; das Modell kann diese Rückmeldung in einer späteren Antwort verwenden. Ein vorgeschlagener Befehl oder eine Behauptung, eine Quelle abgerufen zu haben, sollte von einem tatsächlich vom Ablauf zurückgegebenen Ergebnis getrennt bleiben.
Ein klares endgültiges Ergebnis kann ein Codevorschlag, eine Belegtabelle oder ein knapper Bericht sein. Werkzeugunterstützung erzeugt nicht selbst Zugriff auf aktuelle Quellen, Dateien oder eine Ausführungsumgebung über jede Schnittstelle. Bewahren Sie den Non-Thinking-Antwortvertrag des genauen Modells, statt Promptschalter eines hybriden Modells oder Ausgabelängen einer Thinking-Edition zu übernehmen.
Verarbeitung extrem langer Texte
Der Hersteller dokumentiert einen optionalen Ablauf mit ungefähr einer Million Tokens über Dual Chunk Attention und MInference Sparse Attention. Ersteres teilt eine lange Sequenz in handhabbare Abschnitte und bewahrt dabei Interaktionen zwischen Abschnitten; Letzteres konzentriert die Berechnung auf ausgewählte Aufmerksamkeitsbeziehungen. Das ist ein zusätzlicher Konfigurationsweg jenseits des nativen Kontexts von 262’144 Tokens mit einer speziellen Langkontextkonfiguration.
Der Ansatz schätzt ungefähr 240 GB gesamten GPU-Speicher für Modellgewichte, zwischengespeicherten Sequenzzustand und Spitzenaktivierungen. Er beschreibt auch getrennte Kapazitätsfehler durch Sequenzcache, Aktivierungsspeicher oder eine Eingabe, die die konfigurierte Länge überschreitet. Der Million-Token-Ablauf hängt daher von Konfiguration und Ressourcen ab; die hervorgehobene Zahl ist kein bedingungsloser Standardwert.
Bereiten Sie eine lange Eingabe mit Dokumentgrenzen, Abschnittsnamen oder Codekennungen und einer konkreten Frage vor. Reservieren Sie Platz für die Antwort und verlangen Sie die jede Schlussfolgerung stützenden Belege.
Generierungsempfehlungen
Best Practices empfehlen temperature 0,7, top_p 0,8, top_k 20 und min_p 0. Wo unterstützt, kann eine Presence Penalty zwischen null und zwei wiederholten Text verringern, während höhere Werte Sprachen mischen oder die Qualität leicht senken können. Der Hersteller empfiehlt 16’384 Tokens Ausgabelänge für die meisten Anfragen statt der für Thinking-2507 dokumentierten längeren Budgets. Das ist eine Empfehlung, keine unabhängig festgelegte harte Ausgabegrenze.
Legen Sie das endgültige Format ausdrücklich fest, etwa einen mathematischen Begrenzer oder ein Antwortfeld. Die dokumentierte Eingabe des Modells ist Text; visuelle oder akustische Belege benötigen deshalb vor diesem Ablauf eine geeignete gesonderte Darstellung. Prüfen Sie Berechnungen, Zitate und generierten Code anhand der Quelle. Das nützliche Ergebnis ist ein vollständiges, überprüfbares Textartefakt, dessen feste Instruct-2507-Kennung, Non-Thinking-Modus und bedingtes Langkontextverfahren klar bleiben.
", "aboutText": "Schwerpunkte: das festgelegte Instruct-2507-Update\n\nQwen3-30B-A3B-Instruct-2507 ist die aktualisierte Non-Thinking-Edition von Qwen3-30B-A3B. Der Hersteller hebt Verbesserungen bei Anweisungsbefolgung, logischem Schlussfolgern, Textverständnis, Mathematik, Wissenschaft, Programmierung und Werkzeugnutzung hervor, mit breiterem Wissen über weniger häufige Themen in mehreren Sprachen und besserer Abstimmung auf offene Aufgaben. Es nimmt Text entgegen und erzeugt Text: eine Antwort, Erklärung, einen Codevorschlag oder das gewünschte schriftliche Ergebnis.\n\nHalten Sie die feste Kennung 2507 vom ursprünglichen hybriden Qwen3-30B-A3B, seinem FP8-Build und der Thinking-2507-Edition getrennt. Die Beschreibung des mehrsprachigen Wissens gibt für diesen Stand keine separate Garantie einer Sprachenzahl. Legen Sie bei Übersetzungs- oder Überarbeitungsaufgaben Zielsprache, Zielgruppe und unverändert zu haltende Begriffe fest.\n\nModellüberblick\n\nDas Mixture-of-Experts-Modell hat insgesamt 30,5 Milliarden Parameter und aktiviert 3,3 Milliarden. Es hat 48 Schichten, 128 Experten und acht pro Token ausgewählte Experten. Sein nativer Kontext beträgt 262’144 Tokens. Aktivierte Parameter sind nicht die Grösse des vollständigen Checkpoints, und die Architektur allein belegt keine feste Antwortzeit in einer Anwendung.\n\nDiese Edition unterstützt nur Non-Thinking und erzeugt keine ausdrücklichen Thinking-Blöcke. Die Einstellung enable_thinking=False ist im Ansatz des Herstellers unnötig. Sie kann weiterhin Berechnungen zeigen oder Code in gewöhnlichem Text erklären; die Anforderung unterstützender Schritte macht sie nicht zum separaten Thinking-Checkpoint.\n\nVorbereitung einer nützlichen Textanfrage\n\nGeben Sie für eine Programmieraufgabe eine relevante Funktion oder ein relevantes Modul, Eingabebeschränkungen, beobachtetes Verhalten und erforderliches Ergebnis vor. Verlangen Sie einen vorgeschlagenen Patch oder eine vollständige Funktion mit einer Erklärung der betroffenen Annahmen. Geben Sie für eine mathematische oder wissenschaftliche Frage die vollständige Aufgabenstellung, Einheiten und Definitionen an und verlangen Sie dann eine klar abgegrenzte endgültige Antwort, gestützt auf die gelieferten Bedingungen.\n\nNennen Sie für eine offene Schreibaufgabe Zielgruppe, Zweck, Ton und erforderliche Informationen. Eine nützliche Antwort kann ein nach den gewünschten Abschnitten gegliederter bearbeitbarer Entwurf sein, in dem nicht gestützte Annahmen separat gekennzeichnet sind. Vergleichen Sie zurückgegebenen Entwurf, Berechnungen oder vorgeschlagenen Code mit den gelieferten Fakten, Definitionen und Anforderungen.\n\nAgentennutzung\n\nQwen dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent für Vorlagen und Parsing mit konfigurierten oder über MCP verbundenen Werkzeugen. Legen Sie zulässige Handlungen und beobachtbare Abschlussbedingungen fest. Verbundene Werkzeuge führen externe Operationen aus und geben Beobachtungen zurück; das Modell kann diese Rückmeldung in einer späteren Antwort verwenden. Ein vorgeschlagener Befehl oder eine Behauptung, eine Quelle abgerufen zu haben, sollte von einem tatsächlich vom Ablauf zurückgegebenen Ergebnis getrennt bleiben.\n\nEin klares endgültiges Ergebnis kann ein Codevorschlag, eine Belegtabelle oder ein knapper Bericht sein. Werkzeugunterstützung erzeugt nicht selbst Zugriff auf aktuelle Quellen, Dateien oder eine Ausführungsumgebung über jede Schnittstelle. Bewahren Sie den Non-Thinking-Antwortvertrag des genauen Modells, statt Promptschalter eines hybriden Modells oder Ausgabelängen einer Thinking-Edition zu übernehmen.\n\nVerarbeitung extrem langer Texte\n\nDer Hersteller dokumentiert einen optionalen Ablauf mit ungefähr einer Million Tokens über Dual Chunk Attention und MInference Sparse Attention. Ersteres teilt eine lange Sequenz in handhabbare Abschnitte und bewahrt dabei Interaktionen zwischen Abschnitten; Letzteres konzentriert die Berechnung auf ausgewählte Aufmerksamkeitsbeziehungen. Das ist ein zusätzlicher Konfigurationsweg jenseits des nativen Kontexts von 262’144 Tokens mit einer speziellen Langkontextkonfiguration.\n\nDer Ansatz schätzt ungefähr 240 GB gesamten GPU-Speicher für Modellgewichte, zwischengespeicherten Sequenzzustand und Spitzenaktivierungen. Er beschreibt auch getrennte Kapazitätsfehler durch Sequenzcache, Aktivierungsspeicher oder eine Eingabe, die die konfigurierte Länge überschreitet. Der Million-Token-Ablauf hängt daher von Konfiguration und Ressourcen ab; die hervorgehobene Zahl ist kein bedingungsloser Standardwert.\n\nBereiten Sie eine lange Eingabe mit Dokumentgrenzen, Abschnittsnamen oder Codekennungen und einer konkreten Frage vor. Reservieren Sie Platz für die Antwort und verlangen Sie die jede Schlussfolgerung stützenden Belege.\n\nGenerierungsempfehlungen\n\nBest Practices empfehlen temperature 0,7, top_p 0,8, top_k 20 und min_p 0. Wo unterstützt, kann eine Presence Penalty zwischen null und zwei wiederholten Text verringern, während höhere Werte Sprachen mischen oder die Qualität leicht senken können. Der Hersteller empfiehlt 16’384 Tokens Ausgabelänge für die meisten Anfragen statt der für Thinking-2507 dokumentierten längeren Budgets. Das ist eine Empfehlung, keine unabhängig festgelegte harte Ausgabegrenze.\n\nLegen Sie das endgültige Format ausdrücklich fest, etwa einen mathematischen Begrenzer oder ein Antwortfeld. Die dokumentierte Eingabe des Modells ist Text; visuelle oder akustische Belege benötigen deshalb vor diesem Ablauf eine geeignete gesonderte Darstellung. Prüfen Sie Berechnungen, Zitate und generierten Code anhand der Quelle. Das nützliche Ergebnis ist ein vollständiges, überprüfbares Textartefakt, dessen feste Instruct-2507-Kennung, Non-Thinking-Modus und bedingtes Langkontextverfahren klar bleiben.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Draft a bounded project brief\n\nWrite a one-page-style brief in at most 170 words for a library's room-booking page. Facts: two rooms, maximum two-hour bookings, no recurring reservations, and a staff review for groups larger than eight. Use sections Goal, User steps, Rules and Open question. Include no payment features or assumed room capacities beyond the stated review threshold.An editable four-section project brief preserving the booking rules and one genuinely unanswered design question.The group-size threshold triggers staff review rather than being invented as an absolute room-capacity limit.qwen/qwen3-30b-a3b-instruct-2507Qwen3-30B-A3B-Instruct-2507 ist Qwens festgelegte Non-Thinking-Textedition für Juli mit Kennung 2507 und insgesamt 30,5 Milliarden sowie 3,3 Milliarden aktivierten Parametern. Sie verbessert Anweisungsbefolgung, Code, mehrsprachiges Wissen und offenes Schreiben bei nativem 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.
Schwerpunkte: das festgelegte Instruct-2507-Update
Qwen3-30B-A3B-Instruct-2507 ist die aktualisierte Non-Thinking-Edition von Qwen3-30B-A3B. Der Hersteller hebt Verbesserungen bei Anweisungsbefolgung, logischem Schlussfolgern, Textverständnis, Mathematik, Wissenschaft, Programmierung und Werkzeugnutzung hervor, mit breiterem Wissen über weniger häufige Themen in mehreren Sprachen und besserer Abstimmung auf offene Aufgaben. Es nimmt Text entgegen und erzeugt Text: eine Antwort, Erklärung, einen Codevorschlag oder das gewünschte schriftliche Ergebnis.
Halten Sie die feste Kennung 2507 vom ursprünglichen hybriden Qwen3-30B-A3B, seinem FP8-Build und der Thinking-2507-Edition getrennt. Die Beschreibung des mehrsprachigen Wissens gibt für diesen Stand keine separate Garantie einer Sprachenzahl. Legen Sie bei Übersetzungs- oder Überarbeitungsaufgaben Zielsprache, Zielgruppe und unverändert zu haltende Begriffe fest.
Modellüberblick
Das Mixture-of-Experts-Modell hat insgesamt 30,5 Milliarden Parameter und aktiviert 3,3 Milliarden. Es hat 48 Schichten, 128 Experten und acht pro Token ausgewählte Experten. Sein nativer Kontext beträgt 262’144 Tokens. Aktivierte Parameter sind nicht die Grösse des vollständigen Checkpoints, und die Architektur allein belegt keine feste Antwortzeit in einer Anwendung.
Diese Edition unterstützt nur Non-Thinking und erzeugt keine ausdrücklichen Thinking-Blöcke. Die Einstellung enable_thinking=False ist im Ansatz des Herstellers unnötig. Sie kann weiterhin Berechnungen zeigen oder Code in gewöhnlichem Text erklären; die Anforderung unterstützender Schritte macht sie nicht zum separaten Thinking-Checkpoint.
Vorbereitung einer nützlichen Textanfrage
Geben Sie für eine Programmieraufgabe eine relevante Funktion oder ein relevantes Modul, Eingabebeschränkungen, beobachtetes Verhalten und erforderliches Ergebnis vor. Verlangen Sie einen vorgeschlagenen Patch oder eine vollständige Funktion mit einer Erklärung der betroffenen Annahmen. Geben Sie für eine mathematische oder wissenschaftliche Frage die vollständige Aufgabenstellung, Einheiten und Definitionen an und verlangen Sie dann eine klar abgegrenzte endgültige Antwort, gestützt auf die gelieferten Bedingungen.
Nennen Sie für eine offene Schreibaufgabe Zielgruppe, Zweck, Ton und erforderliche Informationen. Eine nützliche Antwort kann ein nach den gewünschten Abschnitten gegliederter bearbeitbarer Entwurf sein, in dem nicht gestützte Annahmen separat gekennzeichnet sind. Vergleichen Sie zurückgegebenen Entwurf, Berechnungen oder vorgeschlagenen Code mit den gelieferten Fakten, Definitionen und Anforderungen.
Agentennutzung
Qwen dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent für Vorlagen und Parsing mit konfigurierten oder über MCP verbundenen Werkzeugen. Legen Sie zulässige Handlungen und beobachtbare Abschlussbedingungen fest. Verbundene Werkzeuge führen externe Operationen aus und geben Beobachtungen zurück; das Modell kann diese Rückmeldung in einer späteren Antwort verwenden. Ein vorgeschlagener Befehl oder eine Behauptung, eine Quelle abgerufen zu haben, sollte von einem tatsächlich vom Ablauf zurückgegebenen Ergebnis getrennt bleiben.
Ein klares endgültiges Ergebnis kann ein Codevorschlag, eine Belegtabelle oder ein knapper Bericht sein. Werkzeugunterstützung erzeugt nicht selbst Zugriff auf aktuelle Quellen, Dateien oder eine Ausführungsumgebung über jede Schnittstelle. Bewahren Sie den Non-Thinking-Antwortvertrag des genauen Modells, statt Promptschalter eines hybriden Modells oder Ausgabelängen einer Thinking-Edition zu übernehmen.
Verarbeitung extrem langer Texte
Der Hersteller dokumentiert einen optionalen Ablauf mit ungefähr einer Million Tokens über Dual Chunk Attention und MInference Sparse Attention. Ersteres teilt eine lange Sequenz in handhabbare Abschnitte und bewahrt dabei Interaktionen zwischen Abschnitten; Letzteres konzentriert die Berechnung auf ausgewählte Aufmerksamkeitsbeziehungen. Das ist ein zusätzlicher Konfigurationsweg jenseits des nativen Kontexts von 262’144 Tokens mit einer speziellen Langkontextkonfiguration.
Der Ansatz schätzt ungefähr 240 GB gesamten GPU-Speicher für Modellgewichte, zwischengespeicherten Sequenzzustand und Spitzenaktivierungen. Er beschreibt auch getrennte Kapazitätsfehler durch Sequenzcache, Aktivierungsspeicher oder eine Eingabe, die die konfigurierte Länge überschreitet. Der Million-Token-Ablauf hängt daher von Konfiguration und Ressourcen ab; die hervorgehobene Zahl ist kein bedingungsloser Standardwert.
Bereiten Sie eine lange Eingabe mit Dokumentgrenzen, Abschnittsnamen oder Codekennungen und einer konkreten Frage vor. Reservieren Sie Platz für die Antwort und verlangen Sie die jede Schlussfolgerung stützenden Belege.
Generierungsempfehlungen
Best Practices empfehlen temperature 0,7, top_p 0,8, top_k 20 und min_p 0. Wo unterstützt, kann eine Presence Penalty zwischen null und zwei wiederholten Text verringern, während höhere Werte Sprachen mischen oder die Qualität leicht senken können. Der Hersteller empfiehlt 16’384 Tokens Ausgabelänge für die meisten Anfragen statt der für Thinking-2507 dokumentierten längeren Budgets. Das ist eine Empfehlung, keine unabhängig festgelegte harte Ausgabegrenze.
Legen Sie das endgültige Format ausdrücklich fest, etwa einen mathematischen Begrenzer oder ein Antwortfeld. Die dokumentierte Eingabe des Modells ist Text; visuelle oder akustische Belege benötigen deshalb vor diesem Ablauf eine geeignete gesonderte Darstellung. Prüfen Sie Berechnungen, Zitate und generierten Code anhand der Quelle. Das nützliche Ergebnis ist ein vollständiges, überprüfbares Textartefakt, dessen feste Instruct-2507-Kennung, Non-Thinking-Modus und bedingtes Langkontextverfahren klar bleiben.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-30b-a3b-instruct-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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 1K Tokens Eingabe · Cache lesen $0 / 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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 1K Tokens Eingabe · Cache lesen $0 / 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/qwen3-30b-a3b-instruct-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/qwen3-30b-a3b-instruct-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/qwen3-30b-a3b-instruct-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/qwen3-30b-a3b-instruct-2507
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3-30b-a3b-instruct-2507Qwen3-30B-A3B-Instruct-2507 ist Qwens festgelegte Non-Thinking-Textedition für Juli mit Kennung 2507 und insgesamt 30,5 Milliarden sowie 3,3 Milliarden aktivierten Parametern. Sie verbessert Anweisungsbefolgung, Code, mehrsprachiges Wissen und offenes Schreiben bei nativem 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.
Schwerpunkte: das festgelegte Instruct-2507-Update
Qwen3-30B-A3B-Instruct-2507 ist die aktualisierte Non-Thinking-Edition von Qwen3-30B-A3B. Der Hersteller hebt Verbesserungen bei Anweisungsbefolgung, logischem Schlussfolgern, Textverständnis, Mathematik, Wissenschaft, Programmierung und Werkzeugnutzung hervor, mit breiterem Wissen über weniger häufige Themen in mehreren Sprachen und besserer Abstimmung auf offene Aufgaben. Es nimmt Text entgegen und erzeugt Text: eine Antwort, Erklärung, einen Codevorschlag oder das gewünschte schriftliche Ergebnis.
Halten Sie die feste Kennung 2507 vom ursprünglichen hybriden Qwen3-30B-A3B, seinem FP8-Build und der Thinking-2507-Edition getrennt. Die Beschreibung des mehrsprachigen Wissens gibt für diesen Stand keine separate Garantie einer Sprachenzahl. Legen Sie bei Übersetzungs- oder Überarbeitungsaufgaben Zielsprache, Zielgruppe und unverändert zu haltende Begriffe fest.
Modellüberblick
Das Mixture-of-Experts-Modell hat insgesamt 30,5 Milliarden Parameter und aktiviert 3,3 Milliarden. Es hat 48 Schichten, 128 Experten und acht pro Token ausgewählte Experten. Sein nativer Kontext beträgt 262’144 Tokens. Aktivierte Parameter sind nicht die Grösse des vollständigen Checkpoints, und die Architektur allein belegt keine feste Antwortzeit in einer Anwendung.
Diese Edition unterstützt nur Non-Thinking und erzeugt keine ausdrücklichen Thinking-Blöcke. Die Einstellung enable_thinking=False ist im Ansatz des Herstellers unnötig. Sie kann weiterhin Berechnungen zeigen oder Code in gewöhnlichem Text erklären; die Anforderung unterstützender Schritte macht sie nicht zum separaten Thinking-Checkpoint.
Vorbereitung einer nützlichen Textanfrage
Geben Sie für eine Programmieraufgabe eine relevante Funktion oder ein relevantes Modul, Eingabebeschränkungen, beobachtetes Verhalten und erforderliches Ergebnis vor. Verlangen Sie einen vorgeschlagenen Patch oder eine vollständige Funktion mit einer Erklärung der betroffenen Annahmen. Geben Sie für eine mathematische oder wissenschaftliche Frage die vollständige Aufgabenstellung, Einheiten und Definitionen an und verlangen Sie dann eine klar abgegrenzte endgültige Antwort, gestützt auf die gelieferten Bedingungen.
Nennen Sie für eine offene Schreibaufgabe Zielgruppe, Zweck, Ton und erforderliche Informationen. Eine nützliche Antwort kann ein nach den gewünschten Abschnitten gegliederter bearbeitbarer Entwurf sein, in dem nicht gestützte Annahmen separat gekennzeichnet sind. Vergleichen Sie zurückgegebenen Entwurf, Berechnungen oder vorgeschlagenen Code mit den gelieferten Fakten, Definitionen und Anforderungen.
Agentennutzung
Qwen dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent für Vorlagen und Parsing mit konfigurierten oder über MCP verbundenen Werkzeugen. Legen Sie zulässige Handlungen und beobachtbare Abschlussbedingungen fest. Verbundene Werkzeuge führen externe Operationen aus und geben Beobachtungen zurück; das Modell kann diese Rückmeldung in einer späteren Antwort verwenden. Ein vorgeschlagener Befehl oder eine Behauptung, eine Quelle abgerufen zu haben, sollte von einem tatsächlich vom Ablauf zurückgegebenen Ergebnis getrennt bleiben.
Ein klares endgültiges Ergebnis kann ein Codevorschlag, eine Belegtabelle oder ein knapper Bericht sein. Werkzeugunterstützung erzeugt nicht selbst Zugriff auf aktuelle Quellen, Dateien oder eine Ausführungsumgebung über jede Schnittstelle. Bewahren Sie den Non-Thinking-Antwortvertrag des genauen Modells, statt Promptschalter eines hybriden Modells oder Ausgabelängen einer Thinking-Edition zu übernehmen.
Verarbeitung extrem langer Texte
Der Hersteller dokumentiert einen optionalen Ablauf mit ungefähr einer Million Tokens über Dual Chunk Attention und MInference Sparse Attention. Ersteres teilt eine lange Sequenz in handhabbare Abschnitte und bewahrt dabei Interaktionen zwischen Abschnitten; Letzteres konzentriert die Berechnung auf ausgewählte Aufmerksamkeitsbeziehungen. Das ist ein zusätzlicher Konfigurationsweg jenseits des nativen Kontexts von 262’144 Tokens mit einer speziellen Langkontextkonfiguration.
Der Ansatz schätzt ungefähr 240 GB gesamten GPU-Speicher für Modellgewichte, zwischengespeicherten Sequenzzustand und Spitzenaktivierungen. Er beschreibt auch getrennte Kapazitätsfehler durch Sequenzcache, Aktivierungsspeicher oder eine Eingabe, die die konfigurierte Länge überschreitet. Der Million-Token-Ablauf hängt daher von Konfiguration und Ressourcen ab; die hervorgehobene Zahl ist kein bedingungsloser Standardwert.
Bereiten Sie eine lange Eingabe mit Dokumentgrenzen, Abschnittsnamen oder Codekennungen und einer konkreten Frage vor. Reservieren Sie Platz für die Antwort und verlangen Sie die jede Schlussfolgerung stützenden Belege.
Generierungsempfehlungen
Best Practices empfehlen temperature 0,7, top_p 0,8, top_k 20 und min_p 0. Wo unterstützt, kann eine Presence Penalty zwischen null und zwei wiederholten Text verringern, während höhere Werte Sprachen mischen oder die Qualität leicht senken können. Der Hersteller empfiehlt 16’384 Tokens Ausgabelänge für die meisten Anfragen statt der für Thinking-2507 dokumentierten längeren Budgets. Das ist eine Empfehlung, keine unabhängig festgelegte harte Ausgabegrenze.
Legen Sie das endgültige Format ausdrücklich fest, etwa einen mathematischen Begrenzer oder ein Antwortfeld. Die dokumentierte Eingabe des Modells ist Text; visuelle oder akustische Belege benötigen deshalb vor diesem Ablauf eine geeignete gesonderte Darstellung. Prüfen Sie Berechnungen, Zitate und generierten Code anhand der Quelle. Das nützliche Ergebnis ist ein vollständiges, überprüfbares Textartefakt, dessen feste Instruct-2507-Kennung, Non-Thinking-Modus und bedingtes Langkontextverfahren klar bleiben.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-30b-a3b-instruct-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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 1K Tokens Eingabe · Cache lesen $0 / 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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0008 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3-30b-a3b-instruct-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3-30b-a3b-instruct-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/qwen3-30b-a3b-instruct-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/qwen3-30b-a3b-instruct-2507
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Draft a bounded project brief\n\nWrite a one-page-style brief in at most 170 words for a library's room-booking page. Facts: two rooms, maximum two-hour bookings, no recurring reservations, and a staff review for groups larger than eight. Use sections Goal, User steps, Rules and Open question. Include no payment features or assumed room capacities beyond the stated review threshold.An editable four-section project brief preserving the booking rules and one genuinely unanswered design question.The group-size threshold triggers staff review rather than being invented as an absolute room-capacity limit.