Qwen3.8: Stärken beim fortlaufenden textbasierten Schlussfolgern
Qwen3.8-2.4T-A95B ist der offene Qwen3.8-Checkpoint für textbasiertes Schlussfolgern. Qwen beschreibt Verbesserungen bei Programmierung, professioneller Arbeit, Recherche und langfristigen Agentenaufgaben, einschliesslich Planung und Nutzung von Rückmeldungen aus der Umgebung. Es akzeptiert Text und gibt Text zurück. Der Hersteller grenzt es ausdrücklich vom verwalteten Angebot Qwen3.8-Max ab: Visuelle Eingaben und Unterstützung ohne Denkmodus sind zusätzliche Funktionen dieses Angebots und keine Fähigkeiten dieses konkreten offenen Checkpoints.
Liefern Sie für eine Programmieraufgabe die relevanten Module, die Anforderung und eine Eingabe, die das aktuelle Verhalten sichtbar macht. Verlangen Sie eine erläuterte Änderung und ein abschliessendes Artefakt, das sich prüfen lässt. Geben Sie für einen Recherche- oder Fachbericht die Belege, erforderlichen Abschnitte und Bewertungskriterien an. Bitten Sie das Modell anschliessend, belegte Erkenntnisse von Annahmen zu unterscheiden. Dies sind praktische Anwendungen des dokumentierten Aufgabenbereichs, keine Zusagen für ausgeführten Code oder fachlich zertifizierte Schlussfolgerungen.
Modellübersicht
Das dünn besetzte Mixture-of-Experts-Modell besitzt insgesamt 2.4 Billionen Parameter und aktiviert 95 Milliarden. Es hat 92 Schichten und 512 geroutete Experten; ausgewählt werden zehn geroutete Experten zusammen mit einem gemeinsamen Experten. Seine hybriden Blöcke verbinden Gated DeltaNet und Gated Attention mit Expertenschichten in einem Drei-zu-eins-Muster. Multi-Token Prediction ist Teil des Trainings. Die Zahl aktivierter Parameter entspricht nicht der vollständigen Checkpoint-Grösse, und eine hohe Gesamtzahl begründet keine Garantie für die Antwortzeit.
Der native Kontext beträgt 262,144 Token, mit einer dokumentierten Erweiterung auf bis zu 1,010,000. Dies unterscheidet sich vom standardmässigen Kontext mit einer Million Token in der Referenz zur verwalteten Max-Ausgabe. Verwenden Sie das tatsächlich konfigurierte Sequenzbudget für Quelltext, Gesprächsverlauf, Denkverlauf und endgültige Antwort, statt anzunehmen, dass alle grössten Zahlen gleichzeitig gelten.
Den konkreten Thinking-Checkpoint verwenden
Der Denkmodus ist bei jeder Interaktion erforderlich und lässt sich nicht deaktivieren. Die dokumentierte Ausgabe beginnt vor dem endgültigen Text mit einem Denkblock. reasoning_effort unterstützt xhigh, medium und low; xhigh ist der Standardwert. Low verringert die beabsichtigte Denktiefe, bleibt aber ein Denkmodus. Die Anforderung einer knappen endgültigen Antwort kann das gewünschte Ergebnis steuern, ohne dieses Modell in eine Ausgabe ohne Denkmodus umzuwandeln.
preserve_thinking ist standardmässig aktiviert. Das Aufbewahren von Denkverläufen früherer Gesprächsschritte hilft einer iterativen Aufgabe, ihren Entscheidungskontext weiterzuführen. Ordnen Sie Korrekturen, Werkzeugergebnisse und die endgültige Antwort den Gesprächsschritten zu, in denen sie entstanden sind. Dieses Modell sollte seinen eigenen Verlaufsvorgaben folgen, statt ältere Ratschläge zu übernehmen, jeden Denkblock aus früheren Nachrichten zu entfernen. Welche Optionen für Aufwand und Aufbewahrung genau angeboten werden, hängt von der Oberfläche ab, die die Anleitung des Checkpoints umsetzt.
Entwicklungsumgebungen und Rückmeldungen aus der Umgebung
Qwen beschreibt Kompatibilität mit Entwicklungsumgebungen für Agenten und Werkzeugen. Eine längere Aufgabe lässt sich durch Ziel, erlaubte Aktionen und Abschlussnachweise beschreiben; die Anwendung kann dann Beobachtungen aus Prüfung oder Ausführung liefern. Verlangen Sie vom Modell eine Erklärung, wie jedes neue Ergebnis den Plan verändert, und einen Bericht über offene Punkte. Das Planen einer Aktion und das Erhalten eines echten Ergebnisses sind unterschiedliche Teile dieses Ablaufs.
Die Beispiele der Modellkarte zur verwalteten Max-Ausgabe enthalten zusätzliche integrierte Werkzeuge. Daraus darf für dieses offene Modell keine automatische Websuche, Codeausführung oder visuelle Eingabe abgeleitet werden. Seine sinnvolle Rolle ist die einer textbasierten Denkkomponente in einem angebundenen Ablauf; Werkzeuge und externe Wirkungen gehören zur Anwendung, die sie bereitstellt.
Empfehlungen zur Generierung
Der Hersteller empfiehlt temperature 1.0, top_p 0.95, top_k 20, min_p 0, eine Presence Penalty von 0 und eine Repetition Penalty von 1.0. Soweit unterstützt, kann eine Presence Penalty zwischen null und zwei Textwiederholungen verringern. Höhere Werte können jedoch Sprachen vermischen oder die Qualität leicht mindern. Die Parameterunterstützung variiert je nach Implementierung.
Für einen konfigurierten Ablauf mit einer Million Token und getrennten Grenzen für Denkverlauf und endgültige Antwort empfiehlt Qwen 262,144 Token für den Denkverlauf und 131,072 für die endgültige Antwort. Dies sind bedingte Budgets, keine separat festgelegten harten Obergrenzen oder Budgets, die gemeinsam in den nativen Kontext von 262,144 Token passen. Planen Sie genügend Platz für ein vollständiges Artefakt ein und verlangen Sie ein Endergebnis, das nach dem Denkverlauf leicht zu finden ist.
Praktische Grenzen
Dieser Checkpoint akzeptiert keine Bilder, Audio- oder Videoinhalte. Überführen Sie relevante Belege bei Bedarf in einem getrennten Ablauf in eine geeignete Textdarstellung und erhalten Sie Kennungen, anhand derer sich die Antwort prüfen lässt. Die Modellkarte nennt einen erweiterten Kontext, liefert aber keine vollständige aufgabenspezifische Erweiterungsanleitung oder allgemeingültige Mediengrenze für dieses reine Textmodell. Erhalten Sie die genaue Checkpoint-Identität und Konfiguration, prüfen Sie Berechnungen und Codevorschläge anhand der Quelle und behandeln Sie das abschliessende Artefakt als zu prüfendes Ergebnis statt als Beweis, dass eine gesamte externe Aufgabe abgeschlossen wurde.
", "aboutText": "Qwen3.8: Stärken beim fortlaufenden textbasierten Schlussfolgern\n\nQwen3.8-2.4T-A95B ist der offene Qwen3.8-Checkpoint für textbasiertes Schlussfolgern. Qwen beschreibt Verbesserungen bei Programmierung, professioneller Arbeit, Recherche und langfristigen Agentenaufgaben, einschliesslich Planung und Nutzung von Rückmeldungen aus der Umgebung. Es akzeptiert Text und gibt Text zurück. Der Hersteller grenzt es ausdrücklich vom verwalteten Angebot Qwen3.8-Max ab: Visuelle Eingaben und Unterstützung ohne Denkmodus sind zusätzliche Funktionen dieses Angebots und keine Fähigkeiten dieses konkreten offenen Checkpoints.\n\nLiefern Sie für eine Programmieraufgabe die relevanten Module, die Anforderung und eine Eingabe, die das aktuelle Verhalten sichtbar macht. Verlangen Sie eine erläuterte Änderung und ein abschliessendes Artefakt, das sich prüfen lässt. Geben Sie für einen Recherche- oder Fachbericht die Belege, erforderlichen Abschnitte und Bewertungskriterien an. Bitten Sie das Modell anschliessend, belegte Erkenntnisse von Annahmen zu unterscheiden. Dies sind praktische Anwendungen des dokumentierten Aufgabenbereichs, keine Zusagen für ausgeführten Code oder fachlich zertifizierte Schlussfolgerungen.\n\nModellübersicht\n\nDas dünn besetzte Mixture-of-Experts-Modell besitzt insgesamt 2.4 Billionen Parameter und aktiviert 95 Milliarden. Es hat 92 Schichten und 512 geroutete Experten; ausgewählt werden zehn geroutete Experten zusammen mit einem gemeinsamen Experten. Seine hybriden Blöcke verbinden Gated DeltaNet und Gated Attention mit Expertenschichten in einem Drei-zu-eins-Muster. Multi-Token Prediction ist Teil des Trainings. Die Zahl aktivierter Parameter entspricht nicht der vollständigen Checkpoint-Grösse, und eine hohe Gesamtzahl begründet keine Garantie für die Antwortzeit.\n\nDer native Kontext beträgt 262,144 Token, mit einer dokumentierten Erweiterung auf bis zu 1,010,000. Dies unterscheidet sich vom standardmässigen Kontext mit einer Million Token in der Referenz zur verwalteten Max-Ausgabe. Verwenden Sie das tatsächlich konfigurierte Sequenzbudget für Quelltext, Gesprächsverlauf, Denkverlauf und endgültige Antwort, statt anzunehmen, dass alle grössten Zahlen gleichzeitig gelten.\n\nDen konkreten Thinking-Checkpoint verwenden\n\nDer Denkmodus ist bei jeder Interaktion erforderlich und lässt sich nicht deaktivieren. Die dokumentierte Ausgabe beginnt vor dem endgültigen Text mit einem Denkblock. reasoning_effort unterstützt xhigh, medium und low; xhigh ist der Standardwert. Low verringert die beabsichtigte Denktiefe, bleibt aber ein Denkmodus. Die Anforderung einer knappen endgültigen Antwort kann das gewünschte Ergebnis steuern, ohne dieses Modell in eine Ausgabe ohne Denkmodus umzuwandeln.\n\npreserve_thinking ist standardmässig aktiviert. Das Aufbewahren von Denkverläufen früherer Gesprächsschritte hilft einer iterativen Aufgabe, ihren Entscheidungskontext weiterzuführen. Ordnen Sie Korrekturen, Werkzeugergebnisse und die endgültige Antwort den Gesprächsschritten zu, in denen sie entstanden sind. Dieses Modell sollte seinen eigenen Verlaufsvorgaben folgen, statt ältere Ratschläge zu übernehmen, jeden Denkblock aus früheren Nachrichten zu entfernen. Welche Optionen für Aufwand und Aufbewahrung genau angeboten werden, hängt von der Oberfläche ab, die die Anleitung des Checkpoints umsetzt.\n\nEntwicklungsumgebungen und Rückmeldungen aus der Umgebung\n\nQwen beschreibt Kompatibilität mit Entwicklungsumgebungen für Agenten und Werkzeugen. Eine längere Aufgabe lässt sich durch Ziel, erlaubte Aktionen und Abschlussnachweise beschreiben; die Anwendung kann dann Beobachtungen aus Prüfung oder Ausführung liefern. Verlangen Sie vom Modell eine Erklärung, wie jedes neue Ergebnis den Plan verändert, und einen Bericht über offene Punkte. Das Planen einer Aktion und das Erhalten eines echten Ergebnisses sind unterschiedliche Teile dieses Ablaufs.\n\nDie Beispiele der Modellkarte zur verwalteten Max-Ausgabe enthalten zusätzliche integrierte Werkzeuge. Daraus darf für dieses offene Modell keine automatische Websuche, Codeausführung oder visuelle Eingabe abgeleitet werden. Seine sinnvolle Rolle ist die einer textbasierten Denkkomponente in einem angebundenen Ablauf; Werkzeuge und externe Wirkungen gehören zur Anwendung, die sie bereitstellt.\n\nEmpfehlungen zur Generierung\n\nDer Hersteller empfiehlt temperature 1.0, top_p 0.95, top_k 20, min_p 0, eine Presence Penalty von 0 und eine Repetition Penalty von 1.0. Soweit unterstützt, kann eine Presence Penalty zwischen null und zwei Textwiederholungen verringern. Höhere Werte können jedoch Sprachen vermischen oder die Qualität leicht mindern. Die Parameterunterstützung variiert je nach Implementierung.\n\nFür einen konfigurierten Ablauf mit einer Million Token und getrennten Grenzen für Denkverlauf und endgültige Antwort empfiehlt Qwen 262,144 Token für den Denkverlauf und 131,072 für die endgültige Antwort. Dies sind bedingte Budgets, keine separat festgelegten harten Obergrenzen oder Budgets, die gemeinsam in den nativen Kontext von 262,144 Token passen. Planen Sie genügend Platz für ein vollständiges Artefakt ein und verlangen Sie ein Endergebnis, das nach dem Denkverlauf leicht zu finden ist.\n\nPraktische Grenzen\n\nDieser Checkpoint akzeptiert keine Bilder, Audio- oder Videoinhalte. Überführen Sie relevante Belege bei Bedarf in einem getrennten Ablauf in eine geeignete Textdarstellung und erhalten Sie Kennungen, anhand derer sich die Antwort prüfen lässt. Die Modellkarte nennt einen erweiterten Kontext, liefert aber keine vollständige aufgabenspezifische Erweiterungsanleitung oder allgemeingültige Mediengrenze für dieses reine Textmodell. Erhalten Sie die genaue Checkpoint-Identität und Konfiguration, prüfen Sie Berechnungen und Codevorschläge anhand der Quelle und behandeln Sie das abschliessende Artefakt als zu prüfendes Ergebnis statt als Beweis, dass eine gesamte externe Aufgabe abgeschlossen wurde.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Review a resumable migration plan\n\nReview this migration design against the requirement that every row is copied exactly once. Step 1 copies 100 rows after last_id. Step 2 saves last_id. A crash can occur between steps. Explain the duplicate risk after restart and propose a minimal idempotent write or atomic checkpoint design. Include a test that interrupts precisely between the two steps.A cause analysis, one concrete correction strategy and a crash-point regression scenario.Rerunning after the interruption cannot produce duplicate destination rows or skip uncopied source rows.qwen/qwen3.8-2.4t-a95bQwen3.8-2.4T-A95B ist Qwens dünn besetztes Mixture-of-Experts-Modell für textbasiertes Schlussfolgern, mit insgesamt 2.4 Billionen Parametern und 95 Milliarden aktivierten Parametern. Dieser offene Checkpoint nutzt stets den Denkmodus, unterstützt einen einstellbaren Denkaufwand und bewahrt den Denkkontext für längere Programmier- und professionelle Aufgaben.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3.8: Stärken beim fortlaufenden textbasierten Schlussfolgern
Qwen3.8-2.4T-A95B ist der offene Qwen3.8-Checkpoint für textbasiertes Schlussfolgern. Qwen beschreibt Verbesserungen bei Programmierung, professioneller Arbeit, Recherche und langfristigen Agentenaufgaben, einschliesslich Planung und Nutzung von Rückmeldungen aus der Umgebung. Es akzeptiert Text und gibt Text zurück. Der Hersteller grenzt es ausdrücklich vom verwalteten Angebot Qwen3.8-Max ab: Visuelle Eingaben und Unterstützung ohne Denkmodus sind zusätzliche Funktionen dieses Angebots und keine Fähigkeiten dieses konkreten offenen Checkpoints.
Liefern Sie für eine Programmieraufgabe die relevanten Module, die Anforderung und eine Eingabe, die das aktuelle Verhalten sichtbar macht. Verlangen Sie eine erläuterte Änderung und ein abschliessendes Artefakt, das sich prüfen lässt. Geben Sie für einen Recherche- oder Fachbericht die Belege, erforderlichen Abschnitte und Bewertungskriterien an. Bitten Sie das Modell anschliessend, belegte Erkenntnisse von Annahmen zu unterscheiden. Dies sind praktische Anwendungen des dokumentierten Aufgabenbereichs, keine Zusagen für ausgeführten Code oder fachlich zertifizierte Schlussfolgerungen.
Modellübersicht
Das dünn besetzte Mixture-of-Experts-Modell besitzt insgesamt 2.4 Billionen Parameter und aktiviert 95 Milliarden. Es hat 92 Schichten und 512 geroutete Experten; ausgewählt werden zehn geroutete Experten zusammen mit einem gemeinsamen Experten. Seine hybriden Blöcke verbinden Gated DeltaNet und Gated Attention mit Expertenschichten in einem Drei-zu-eins-Muster. Multi-Token Prediction ist Teil des Trainings. Die Zahl aktivierter Parameter entspricht nicht der vollständigen Checkpoint-Grösse, und eine hohe Gesamtzahl begründet keine Garantie für die Antwortzeit.
Der native Kontext beträgt 262,144 Token, mit einer dokumentierten Erweiterung auf bis zu 1,010,000. Dies unterscheidet sich vom standardmässigen Kontext mit einer Million Token in der Referenz zur verwalteten Max-Ausgabe. Verwenden Sie das tatsächlich konfigurierte Sequenzbudget für Quelltext, Gesprächsverlauf, Denkverlauf und endgültige Antwort, statt anzunehmen, dass alle grössten Zahlen gleichzeitig gelten.
Den konkreten Thinking-Checkpoint verwenden
Der Denkmodus ist bei jeder Interaktion erforderlich und lässt sich nicht deaktivieren. Die dokumentierte Ausgabe beginnt vor dem endgültigen Text mit einem Denkblock. reasoning_effort unterstützt xhigh, medium und low; xhigh ist der Standardwert. Low verringert die beabsichtigte Denktiefe, bleibt aber ein Denkmodus. Die Anforderung einer knappen endgültigen Antwort kann das gewünschte Ergebnis steuern, ohne dieses Modell in eine Ausgabe ohne Denkmodus umzuwandeln.
preserve_thinking ist standardmässig aktiviert. Das Aufbewahren von Denkverläufen früherer Gesprächsschritte hilft einer iterativen Aufgabe, ihren Entscheidungskontext weiterzuführen. Ordnen Sie Korrekturen, Werkzeugergebnisse und die endgültige Antwort den Gesprächsschritten zu, in denen sie entstanden sind. Dieses Modell sollte seinen eigenen Verlaufsvorgaben folgen, statt ältere Ratschläge zu übernehmen, jeden Denkblock aus früheren Nachrichten zu entfernen. Welche Optionen für Aufwand und Aufbewahrung genau angeboten werden, hängt von der Oberfläche ab, die die Anleitung des Checkpoints umsetzt.
Entwicklungsumgebungen und Rückmeldungen aus der Umgebung
Qwen beschreibt Kompatibilität mit Entwicklungsumgebungen für Agenten und Werkzeugen. Eine längere Aufgabe lässt sich durch Ziel, erlaubte Aktionen und Abschlussnachweise beschreiben; die Anwendung kann dann Beobachtungen aus Prüfung oder Ausführung liefern. Verlangen Sie vom Modell eine Erklärung, wie jedes neue Ergebnis den Plan verändert, und einen Bericht über offene Punkte. Das Planen einer Aktion und das Erhalten eines echten Ergebnisses sind unterschiedliche Teile dieses Ablaufs.
Die Beispiele der Modellkarte zur verwalteten Max-Ausgabe enthalten zusätzliche integrierte Werkzeuge. Daraus darf für dieses offene Modell keine automatische Websuche, Codeausführung oder visuelle Eingabe abgeleitet werden. Seine sinnvolle Rolle ist die einer textbasierten Denkkomponente in einem angebundenen Ablauf; Werkzeuge und externe Wirkungen gehören zur Anwendung, die sie bereitstellt.
Empfehlungen zur Generierung
Der Hersteller empfiehlt temperature 1.0, top_p 0.95, top_k 20, min_p 0, eine Presence Penalty von 0 und eine Repetition Penalty von 1.0. Soweit unterstützt, kann eine Presence Penalty zwischen null und zwei Textwiederholungen verringern. Höhere Werte können jedoch Sprachen vermischen oder die Qualität leicht mindern. Die Parameterunterstützung variiert je nach Implementierung.
Für einen konfigurierten Ablauf mit einer Million Token und getrennten Grenzen für Denkverlauf und endgültige Antwort empfiehlt Qwen 262,144 Token für den Denkverlauf und 131,072 für die endgültige Antwort. Dies sind bedingte Budgets, keine separat festgelegten harten Obergrenzen oder Budgets, die gemeinsam in den nativen Kontext von 262,144 Token passen. Planen Sie genügend Platz für ein vollständiges Artefakt ein und verlangen Sie ein Endergebnis, das nach dem Denkverlauf leicht zu finden ist.
Praktische Grenzen
Dieser Checkpoint akzeptiert keine Bilder, Audio- oder Videoinhalte. Überführen Sie relevante Belege bei Bedarf in einem getrennten Ablauf in eine geeignete Textdarstellung und erhalten Sie Kennungen, anhand derer sich die Antwort prüfen lässt. Die Modellkarte nennt einen erweiterten Kontext, liefert aber keine vollständige aufgabenspezifische Erweiterungsanleitung oder allgemeingültige Mediengrenze für dieses reine Textmodell. Erhalten Sie die genaue Checkpoint-Identität und Konfiguration, prüfen Sie Berechnungen und Codevorschläge anhand der Quelle und behandeln Sie das abschliessende Artefakt als zu prüfendes Ergebnis statt als Beweis, dass eine gesamte externe Aufgabe abgeschlossen wurde.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.8-2.4t-a95b | 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 $0.004 / 1K Tokens Ausgabe · Ausgabetoken $0.012 / 1K Tokens Eingabe · Cache lesen $0.0005 / 1K Tokens Eingabe · Cache schreiben $0.005 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.004 / 1K Tokens Ausgabe · Ausgabetoken $0.012 / 1K Tokens Eingabe · Cache lesen $0.0005 / 1K Tokens Eingabe · Cache schreiben $0.005 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.8-2.4t-a95b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.8-2.4t-a95b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.8-2.4t-a95b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen/qwen3.8-2.4t-a95b
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3.8-2.4t-a95bQwen3.8-2.4T-A95B ist Qwens dünn besetztes Mixture-of-Experts-Modell für textbasiertes Schlussfolgern, mit insgesamt 2.4 Billionen Parametern und 95 Milliarden aktivierten Parametern. Dieser offene Checkpoint nutzt stets den Denkmodus, unterstützt einen einstellbaren Denkaufwand und bewahrt den Denkkontext für längere Programmier- und professionelle Aufgaben.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3.8: Stärken beim fortlaufenden textbasierten Schlussfolgern
Qwen3.8-2.4T-A95B ist der offene Qwen3.8-Checkpoint für textbasiertes Schlussfolgern. Qwen beschreibt Verbesserungen bei Programmierung, professioneller Arbeit, Recherche und langfristigen Agentenaufgaben, einschliesslich Planung und Nutzung von Rückmeldungen aus der Umgebung. Es akzeptiert Text und gibt Text zurück. Der Hersteller grenzt es ausdrücklich vom verwalteten Angebot Qwen3.8-Max ab: Visuelle Eingaben und Unterstützung ohne Denkmodus sind zusätzliche Funktionen dieses Angebots und keine Fähigkeiten dieses konkreten offenen Checkpoints.
Liefern Sie für eine Programmieraufgabe die relevanten Module, die Anforderung und eine Eingabe, die das aktuelle Verhalten sichtbar macht. Verlangen Sie eine erläuterte Änderung und ein abschliessendes Artefakt, das sich prüfen lässt. Geben Sie für einen Recherche- oder Fachbericht die Belege, erforderlichen Abschnitte und Bewertungskriterien an. Bitten Sie das Modell anschliessend, belegte Erkenntnisse von Annahmen zu unterscheiden. Dies sind praktische Anwendungen des dokumentierten Aufgabenbereichs, keine Zusagen für ausgeführten Code oder fachlich zertifizierte Schlussfolgerungen.
Modellübersicht
Das dünn besetzte Mixture-of-Experts-Modell besitzt insgesamt 2.4 Billionen Parameter und aktiviert 95 Milliarden. Es hat 92 Schichten und 512 geroutete Experten; ausgewählt werden zehn geroutete Experten zusammen mit einem gemeinsamen Experten. Seine hybriden Blöcke verbinden Gated DeltaNet und Gated Attention mit Expertenschichten in einem Drei-zu-eins-Muster. Multi-Token Prediction ist Teil des Trainings. Die Zahl aktivierter Parameter entspricht nicht der vollständigen Checkpoint-Grösse, und eine hohe Gesamtzahl begründet keine Garantie für die Antwortzeit.
Der native Kontext beträgt 262,144 Token, mit einer dokumentierten Erweiterung auf bis zu 1,010,000. Dies unterscheidet sich vom standardmässigen Kontext mit einer Million Token in der Referenz zur verwalteten Max-Ausgabe. Verwenden Sie das tatsächlich konfigurierte Sequenzbudget für Quelltext, Gesprächsverlauf, Denkverlauf und endgültige Antwort, statt anzunehmen, dass alle grössten Zahlen gleichzeitig gelten.
Den konkreten Thinking-Checkpoint verwenden
Der Denkmodus ist bei jeder Interaktion erforderlich und lässt sich nicht deaktivieren. Die dokumentierte Ausgabe beginnt vor dem endgültigen Text mit einem Denkblock. reasoning_effort unterstützt xhigh, medium und low; xhigh ist der Standardwert. Low verringert die beabsichtigte Denktiefe, bleibt aber ein Denkmodus. Die Anforderung einer knappen endgültigen Antwort kann das gewünschte Ergebnis steuern, ohne dieses Modell in eine Ausgabe ohne Denkmodus umzuwandeln.
preserve_thinking ist standardmässig aktiviert. Das Aufbewahren von Denkverläufen früherer Gesprächsschritte hilft einer iterativen Aufgabe, ihren Entscheidungskontext weiterzuführen. Ordnen Sie Korrekturen, Werkzeugergebnisse und die endgültige Antwort den Gesprächsschritten zu, in denen sie entstanden sind. Dieses Modell sollte seinen eigenen Verlaufsvorgaben folgen, statt ältere Ratschläge zu übernehmen, jeden Denkblock aus früheren Nachrichten zu entfernen. Welche Optionen für Aufwand und Aufbewahrung genau angeboten werden, hängt von der Oberfläche ab, die die Anleitung des Checkpoints umsetzt.
Entwicklungsumgebungen und Rückmeldungen aus der Umgebung
Qwen beschreibt Kompatibilität mit Entwicklungsumgebungen für Agenten und Werkzeugen. Eine längere Aufgabe lässt sich durch Ziel, erlaubte Aktionen und Abschlussnachweise beschreiben; die Anwendung kann dann Beobachtungen aus Prüfung oder Ausführung liefern. Verlangen Sie vom Modell eine Erklärung, wie jedes neue Ergebnis den Plan verändert, und einen Bericht über offene Punkte. Das Planen einer Aktion und das Erhalten eines echten Ergebnisses sind unterschiedliche Teile dieses Ablaufs.
Die Beispiele der Modellkarte zur verwalteten Max-Ausgabe enthalten zusätzliche integrierte Werkzeuge. Daraus darf für dieses offene Modell keine automatische Websuche, Codeausführung oder visuelle Eingabe abgeleitet werden. Seine sinnvolle Rolle ist die einer textbasierten Denkkomponente in einem angebundenen Ablauf; Werkzeuge und externe Wirkungen gehören zur Anwendung, die sie bereitstellt.
Empfehlungen zur Generierung
Der Hersteller empfiehlt temperature 1.0, top_p 0.95, top_k 20, min_p 0, eine Presence Penalty von 0 und eine Repetition Penalty von 1.0. Soweit unterstützt, kann eine Presence Penalty zwischen null und zwei Textwiederholungen verringern. Höhere Werte können jedoch Sprachen vermischen oder die Qualität leicht mindern. Die Parameterunterstützung variiert je nach Implementierung.
Für einen konfigurierten Ablauf mit einer Million Token und getrennten Grenzen für Denkverlauf und endgültige Antwort empfiehlt Qwen 262,144 Token für den Denkverlauf und 131,072 für die endgültige Antwort. Dies sind bedingte Budgets, keine separat festgelegten harten Obergrenzen oder Budgets, die gemeinsam in den nativen Kontext von 262,144 Token passen. Planen Sie genügend Platz für ein vollständiges Artefakt ein und verlangen Sie ein Endergebnis, das nach dem Denkverlauf leicht zu finden ist.
Praktische Grenzen
Dieser Checkpoint akzeptiert keine Bilder, Audio- oder Videoinhalte. Überführen Sie relevante Belege bei Bedarf in einem getrennten Ablauf in eine geeignete Textdarstellung und erhalten Sie Kennungen, anhand derer sich die Antwort prüfen lässt. Die Modellkarte nennt einen erweiterten Kontext, liefert aber keine vollständige aufgabenspezifische Erweiterungsanleitung oder allgemeingültige Mediengrenze für dieses reine Textmodell. Erhalten Sie die genaue Checkpoint-Identität und Konfiguration, prüfen Sie Berechnungen und Codevorschläge anhand der Quelle und behandeln Sie das abschliessende Artefakt als zu prüfendes Ergebnis statt als Beweis, dass eine gesamte externe Aufgabe abgeschlossen wurde.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.8-2.4t-a95b | 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 $0.004 / 1K Tokens Ausgabe · Ausgabetoken $0.012 / 1K Tokens Eingabe · Cache lesen $0.0005 / 1K Tokens Eingabe · Cache schreiben $0.005 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.004 / 1K Tokens Ausgabe · Ausgabetoken $0.012 / 1K Tokens Eingabe · Cache lesen $0.0005 / 1K Tokens Eingabe · Cache schreiben $0.005 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3.8-2.4t-a95b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.8-2.4t-a95b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.8-2.4t-a95b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen/qwen3.8-2.4t-a95b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Review a resumable migration plan\n\nReview this migration design against the requirement that every row is copied exactly once. Step 1 copies 100 rows after last_id. Step 2 saves last_id. A crash can occur between steps. Explain the duplicate risk after restart and propose a minimal idempotent write or atomic checkpoint design. Include a test that interrupts precisely between the two steps.A cause analysis, one concrete correction strategy and a crash-point regression scenario.Rerunning after the interruption cannot produce duplicate destination rows or skip uncopied source rows.