Qwen3.8: Stärken in einem dichten Vision-Language-Modell
Qwen3.8-27B überträgt die Verbesserungen von Qwen3.8 bei Programmierung, professioneller Arbeit, Recherche und Agentenaufgaben auf ein dichtes Modell mit 27 Milliarden Parametern. Es akzeptiert Text, Bilder und Video und gibt Text zurück. Sein dokumentierter visueller Aufgabenbereich umfasst MINT-Diagramme, Dokumentseiten und Videos im Stundenbereich. Es ist ein eigenständiger Checkpoint gegenüber dem wesentlich grösseren, rein textbasierten Qwen3.8-2.4T-A95B; deshalb sind ihre Eingabefähigkeiten und Vorgaben zum Denkmodus getrennt zu behandeln.
Qwen betont autonome Planung, die Nutzung von Rückmeldungen aus der Umgebung und die Integration in Entwicklungsumgebungen für Agenten. Geben Sie für eine Agentenaufgabe das Ziel, relevante Materialien, erlaubte Werkzeuge und Nachweise an, die den Abschluss belegen würden. Ein Modell kann anhand zurückgelieferter Ergebnisse Aktionen vorschlagen und anpassen; ausgeführt werden diese durch die angebundene Software. Verlangen Sie das fertige Artefakt und offene Bedingungen, statt einen Plan als ausgeführtes Ergebnis zu behandeln.
Modellübersicht
Das 27B-Modell besitzt 64 Sprachmodellschichten. Seine hybride Architektur gruppiert jeweils drei Gated-DeltaNet-Schichten und anschliessend eine Schicht mit Gated Attention, mit dichten Feedforward-Netzen. Es wird mit Multi-Token Prediction trainiert und enthält einen Vision-Encoder. Diese Architekturmerkmale beschreiben das veröffentlichte Modell; sie bedeuten nicht, dass jede Bereitstellung denselben Speicherbedarf oder dieselbe Latenz aufweist.
Der native Kontext beträgt 262,144 Token, mit einer dokumentierten Erweiterung auf 1,000,000. Text, visuelle Repräsentationen, Gesprächsverlauf, Denkverlauf und endgültige Ausgabe teilen sich das konfigurierte Sequenzbudget. Der Hersteller beschreibt separat eine verwaltete Ausgabe mit zusätzlichen Funktionen; diese dürfen dem offenen Checkpoint nicht automatisch zugeschrieben werden.
Text, Bilder und Video verwenden
Liefern Sie für eine Programmieraufgabe die relevante Funktion oder das Modul, eine fehlschlagende Eingabe und das erwartete Verhalten. Verlangen Sie anschliessend einen Patch mit den betroffenen Annahmen und Prüfungen. Erhalten Sie bei einem Diagramm die Beschriftungen und geben Sie die vollständige Frage an. Fragen Sie bei einem Dokument nach benannten Feldern oder Schlussfolgerungen mit Seitenverweisen. Benennen Sie bei Video das gesuchte Ereignis und erhalten Sie dessen Zeitangaben.
Das Videobeispiel des Herstellers verwendet im unterstützten Bereitstellungsablauf standardmässig zwei Bilder pro Sekunde, mit optionalen Einstellungen zur Abtastung. Eine allgemeine Szenenzusammenfassung und ein kurzes Ereignis können unterschiedliche Abtastungen erfordern. Die Anleitung für lange Videos empfiehlt, das Budget des Videoprozessors für eine höhere Abtastrate bei Material im Stundenbereich zu erweitern; ein Beispiel entspricht ungefähr 224K Video-Token. Das erfordert Konfiguration und konkurriert mit anderen Kontextinhalten; es ist keine allgemeingültige Garantie für die Cliplänge.
Denkmodus und frühere Denkverläufe
Der Denkmodus ist standardmässig aktiviert und kann pro Anfrage über die Herstelleroption enable_thinking deaktiviert werden. reasoning_effort unterstützt xhigh, medium und low, wobei xhigh der Standardwert ist. Ein geringerer Aufwand kann einen einzelnen Gesprächsschritt verkürzen. Qwen warnt jedoch, dass unzureichende Analyse bei Agentenaufgaben zu Fehlern und wiederholter Arbeit führen und damit die gesamte Bearbeitungszeit erhöhen kann.
preserve_thinking ist standardmässig aktiviert und bewahrt Denkblöcke aus früheren Nachrichten für die Kontinuität auf. Wird die Option deaktiviert, bleiben nur die Denkblöcke erhalten, die bei der Bearbeitung der jüngsten Nutzernachricht entstanden sind. Dies unterscheidet sich von älteren Qwen-Empfehlungen, die frühere Denkverläufe vollständig verwerfen. Trennen Sie Denkverlauf und endgültigen Inhalt in der Oberfläche und erhalten Sie das genaue Gesprächsformat, das der Checkpoint erwartet. Herstelleroptionen belegen nicht, welche Parameter eine andere Anwendung anbietet.
Empfehlungen zur Generierung
Für den Denkmodus empfiehlt Qwen 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. Für direkte Antworten empfiehlt der Hersteller in derselben Reihenfolge 0.7, 0.8, 20, 0, 1.5 und 1.0. Eine höhere Presence Penalty kann Wiederholungen verringern, aber auch Sprachen vermischen oder die Qualität leicht mindern.
In einem konfigurierten Ablauf mit einer Million Token, der getrennte Grenzen unterstützt, empfiehlt der Hersteller Budgets von 262,144 Token für den Denkverlauf und 131,072 für die endgültige Antwort. Dies sind bedingte Budgetempfehlungen, keine unabhängigen harten Ausgabeobergrenzen oder Zuteilungen, die gleichzeitig in den nativen Kontext passen.
Sehr langer Kontext und Grenzen
Die dokumentierte Erweiterung verwendet YaRN mit den modellspezifischen verschachtelten Positionseinstellungen. Ein Faktor von vier zielt auf den Ablauf mit einer Million Token; für eine Arbeitslast von etwa 524,288 Token schlägt der Hersteller einen Faktor von zwei vor. Statische Skalierung kann die Qualität bei kürzeren Texten beeinträchtigen. Qwen empfiehlt deshalb, sie dann zu aktivieren, wenn der längere Kontext benötigt wird. Übernehmen Sie den Extrapolationsfaktor einer anderen Qwen-VL-Ausgabe nicht ohne deren eigene Anleitung.
Ordnen Sie lange Eingaben nach Dokument, Seite oder Codekennung und verlangen Sie ein überprüfbares Ergebnis. Prüfen Sie Berechnungen, kleine visuelle Beschriftungen und erzeugte Patches anhand der Quelle. Langer Kontext, erhaltene Denkverläufe und grössere Videobudgets helfen, mehr Belege durch eine Aufgabe mitzunehmen; allein belegen sie weder vollständige Erinnerung noch korrektes Schlussfolgern oder eine abgeschlossene externe Aktion.
", "aboutText": "Qwen3.8: Stärken in einem dichten Vision-Language-Modell\n\nQwen3.8-27B überträgt die Verbesserungen von Qwen3.8 bei Programmierung, professioneller Arbeit, Recherche und Agentenaufgaben auf ein dichtes Modell mit 27 Milliarden Parametern. Es akzeptiert Text, Bilder und Video und gibt Text zurück. Sein dokumentierter visueller Aufgabenbereich umfasst MINT-Diagramme, Dokumentseiten und Videos im Stundenbereich. Es ist ein eigenständiger Checkpoint gegenüber dem wesentlich grösseren, rein textbasierten Qwen3.8-2.4T-A95B; deshalb sind ihre Eingabefähigkeiten und Vorgaben zum Denkmodus getrennt zu behandeln.\n\nQwen betont autonome Planung, die Nutzung von Rückmeldungen aus der Umgebung und die Integration in Entwicklungsumgebungen für Agenten. Geben Sie für eine Agentenaufgabe das Ziel, relevante Materialien, erlaubte Werkzeuge und Nachweise an, die den Abschluss belegen würden. Ein Modell kann anhand zurückgelieferter Ergebnisse Aktionen vorschlagen und anpassen; ausgeführt werden diese durch die angebundene Software. Verlangen Sie das fertige Artefakt und offene Bedingungen, statt einen Plan als ausgeführtes Ergebnis zu behandeln.\n\nModellübersicht\n\nDas 27B-Modell besitzt 64 Sprachmodellschichten. Seine hybride Architektur gruppiert jeweils drei Gated-DeltaNet-Schichten und anschliessend eine Schicht mit Gated Attention, mit dichten Feedforward-Netzen. Es wird mit Multi-Token Prediction trainiert und enthält einen Vision-Encoder. Diese Architekturmerkmale beschreiben das veröffentlichte Modell; sie bedeuten nicht, dass jede Bereitstellung denselben Speicherbedarf oder dieselbe Latenz aufweist.\n\nDer native Kontext beträgt 262,144 Token, mit einer dokumentierten Erweiterung auf 1,000,000. Text, visuelle Repräsentationen, Gesprächsverlauf, Denkverlauf und endgültige Ausgabe teilen sich das konfigurierte Sequenzbudget. Der Hersteller beschreibt separat eine verwaltete Ausgabe mit zusätzlichen Funktionen; diese dürfen dem offenen Checkpoint nicht automatisch zugeschrieben werden.\n\nText, Bilder und Video verwenden\n\nLiefern Sie für eine Programmieraufgabe die relevante Funktion oder das Modul, eine fehlschlagende Eingabe und das erwartete Verhalten. Verlangen Sie anschliessend einen Patch mit den betroffenen Annahmen und Prüfungen. Erhalten Sie bei einem Diagramm die Beschriftungen und geben Sie die vollständige Frage an. Fragen Sie bei einem Dokument nach benannten Feldern oder Schlussfolgerungen mit Seitenverweisen. Benennen Sie bei Video das gesuchte Ereignis und erhalten Sie dessen Zeitangaben.\n\nDas Videobeispiel des Herstellers verwendet im unterstützten Bereitstellungsablauf standardmässig zwei Bilder pro Sekunde, mit optionalen Einstellungen zur Abtastung. Eine allgemeine Szenenzusammenfassung und ein kurzes Ereignis können unterschiedliche Abtastungen erfordern. Die Anleitung für lange Videos empfiehlt, das Budget des Videoprozessors für eine höhere Abtastrate bei Material im Stundenbereich zu erweitern; ein Beispiel entspricht ungefähr 224K Video-Token. Das erfordert Konfiguration und konkurriert mit anderen Kontextinhalten; es ist keine allgemeingültige Garantie für die Cliplänge.\n\nDenkmodus und frühere Denkverläufe\n\nDer Denkmodus ist standardmässig aktiviert und kann pro Anfrage über die Herstelleroption enable_thinking deaktiviert werden. reasoning_effort unterstützt xhigh, medium und low, wobei xhigh der Standardwert ist. Ein geringerer Aufwand kann einen einzelnen Gesprächsschritt verkürzen. Qwen warnt jedoch, dass unzureichende Analyse bei Agentenaufgaben zu Fehlern und wiederholter Arbeit führen und damit die gesamte Bearbeitungszeit erhöhen kann.\n\npreserve_thinking ist standardmässig aktiviert und bewahrt Denkblöcke aus früheren Nachrichten für die Kontinuität auf. Wird die Option deaktiviert, bleiben nur die Denkblöcke erhalten, die bei der Bearbeitung der jüngsten Nutzernachricht entstanden sind. Dies unterscheidet sich von älteren Qwen-Empfehlungen, die frühere Denkverläufe vollständig verwerfen. Trennen Sie Denkverlauf und endgültigen Inhalt in der Oberfläche und erhalten Sie das genaue Gesprächsformat, das der Checkpoint erwartet. Herstelleroptionen belegen nicht, welche Parameter eine andere Anwendung anbietet.\n\nEmpfehlungen zur Generierung\n\nFür den Denkmodus empfiehlt Qwen 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. Für direkte Antworten empfiehlt der Hersteller in derselben Reihenfolge 0.7, 0.8, 20, 0, 1.5 und 1.0. Eine höhere Presence Penalty kann Wiederholungen verringern, aber auch Sprachen vermischen oder die Qualität leicht mindern.\n\nIn einem konfigurierten Ablauf mit einer Million Token, der getrennte Grenzen unterstützt, empfiehlt der Hersteller Budgets von 262,144 Token für den Denkverlauf und 131,072 für die endgültige Antwort. Dies sind bedingte Budgetempfehlungen, keine unabhängigen harten Ausgabeobergrenzen oder Zuteilungen, die gleichzeitig in den nativen Kontext passen.\n\nSehr langer Kontext und Grenzen\n\nDie dokumentierte Erweiterung verwendet YaRN mit den modellspezifischen verschachtelten Positionseinstellungen. Ein Faktor von vier zielt auf den Ablauf mit einer Million Token; für eine Arbeitslast von etwa 524,288 Token schlägt der Hersteller einen Faktor von zwei vor. Statische Skalierung kann die Qualität bei kürzeren Texten beeinträchtigen. Qwen empfiehlt deshalb, sie dann zu aktivieren, wenn der längere Kontext benötigt wird. Übernehmen Sie den Extrapolationsfaktor einer anderen Qwen-VL-Ausgabe nicht ohne deren eigene Anleitung.\n\nOrdnen Sie lange Eingaben nach Dokument, Seite oder Codekennung und verlangen Sie ein überprüfbares Ergebnis. Prüfen Sie Berechnungen, kleine visuelle Beschriftungen und erzeugte Patches anhand der Quelle. Langer Kontext, erhaltene Denkverläufe und grössere Videobudgets helfen, mehr Belege durch eine Aufgabe mitzunehmen; allein belegen sie weder vollständige Erinnerung noch korrektes Schlussfolgern oder eine abgeschlossene externe Aktion.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Analyze a circuit described in text\n\nA written circuit description gives two 6-ohm resistors connected in parallel across an ideal 12-volt source. Assume ideal wires and constant resistance. Derive the equivalent resistance, total current and current through each branch. Show the formulas and verify that branch currents add to the total. No circuit image or execution tool is provided.A short derivation with units, three requested quantities and a current-sum check.Equivalent resistance is 3 ohms and the two equal branch currents sum to the derived total current.qwen/qwen3.8-27bQwen3.8-27B ist Qwens dichtes Vision-Language-Modell für Text, Bilder und Video mit Textausgabe. Es verbindet Programmierung und mehrstufige Agentenarbeit mit wählbarem Denkmodus, Erhaltung der Denkverläufe und einem nativen Kontext von 262,144 Token, der sich per Konfiguration auf eine Million erweitern lässt.
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 in einem dichten Vision-Language-Modell
Qwen3.8-27B überträgt die Verbesserungen von Qwen3.8 bei Programmierung, professioneller Arbeit, Recherche und Agentenaufgaben auf ein dichtes Modell mit 27 Milliarden Parametern. Es akzeptiert Text, Bilder und Video und gibt Text zurück. Sein dokumentierter visueller Aufgabenbereich umfasst MINT-Diagramme, Dokumentseiten und Videos im Stundenbereich. Es ist ein eigenständiger Checkpoint gegenüber dem wesentlich grösseren, rein textbasierten Qwen3.8-2.4T-A95B; deshalb sind ihre Eingabefähigkeiten und Vorgaben zum Denkmodus getrennt zu behandeln.
Qwen betont autonome Planung, die Nutzung von Rückmeldungen aus der Umgebung und die Integration in Entwicklungsumgebungen für Agenten. Geben Sie für eine Agentenaufgabe das Ziel, relevante Materialien, erlaubte Werkzeuge und Nachweise an, die den Abschluss belegen würden. Ein Modell kann anhand zurückgelieferter Ergebnisse Aktionen vorschlagen und anpassen; ausgeführt werden diese durch die angebundene Software. Verlangen Sie das fertige Artefakt und offene Bedingungen, statt einen Plan als ausgeführtes Ergebnis zu behandeln.
Modellübersicht
Das 27B-Modell besitzt 64 Sprachmodellschichten. Seine hybride Architektur gruppiert jeweils drei Gated-DeltaNet-Schichten und anschliessend eine Schicht mit Gated Attention, mit dichten Feedforward-Netzen. Es wird mit Multi-Token Prediction trainiert und enthält einen Vision-Encoder. Diese Architekturmerkmale beschreiben das veröffentlichte Modell; sie bedeuten nicht, dass jede Bereitstellung denselben Speicherbedarf oder dieselbe Latenz aufweist.
Der native Kontext beträgt 262,144 Token, mit einer dokumentierten Erweiterung auf 1,000,000. Text, visuelle Repräsentationen, Gesprächsverlauf, Denkverlauf und endgültige Ausgabe teilen sich das konfigurierte Sequenzbudget. Der Hersteller beschreibt separat eine verwaltete Ausgabe mit zusätzlichen Funktionen; diese dürfen dem offenen Checkpoint nicht automatisch zugeschrieben werden.
Text, Bilder und Video verwenden
Liefern Sie für eine Programmieraufgabe die relevante Funktion oder das Modul, eine fehlschlagende Eingabe und das erwartete Verhalten. Verlangen Sie anschliessend einen Patch mit den betroffenen Annahmen und Prüfungen. Erhalten Sie bei einem Diagramm die Beschriftungen und geben Sie die vollständige Frage an. Fragen Sie bei einem Dokument nach benannten Feldern oder Schlussfolgerungen mit Seitenverweisen. Benennen Sie bei Video das gesuchte Ereignis und erhalten Sie dessen Zeitangaben.
Das Videobeispiel des Herstellers verwendet im unterstützten Bereitstellungsablauf standardmässig zwei Bilder pro Sekunde, mit optionalen Einstellungen zur Abtastung. Eine allgemeine Szenenzusammenfassung und ein kurzes Ereignis können unterschiedliche Abtastungen erfordern. Die Anleitung für lange Videos empfiehlt, das Budget des Videoprozessors für eine höhere Abtastrate bei Material im Stundenbereich zu erweitern; ein Beispiel entspricht ungefähr 224K Video-Token. Das erfordert Konfiguration und konkurriert mit anderen Kontextinhalten; es ist keine allgemeingültige Garantie für die Cliplänge.
Denkmodus und frühere Denkverläufe
Der Denkmodus ist standardmässig aktiviert und kann pro Anfrage über die Herstelleroption enable_thinking deaktiviert werden. reasoning_effort unterstützt xhigh, medium und low, wobei xhigh der Standardwert ist. Ein geringerer Aufwand kann einen einzelnen Gesprächsschritt verkürzen. Qwen warnt jedoch, dass unzureichende Analyse bei Agentenaufgaben zu Fehlern und wiederholter Arbeit führen und damit die gesamte Bearbeitungszeit erhöhen kann.
preserve_thinking ist standardmässig aktiviert und bewahrt Denkblöcke aus früheren Nachrichten für die Kontinuität auf. Wird die Option deaktiviert, bleiben nur die Denkblöcke erhalten, die bei der Bearbeitung der jüngsten Nutzernachricht entstanden sind. Dies unterscheidet sich von älteren Qwen-Empfehlungen, die frühere Denkverläufe vollständig verwerfen. Trennen Sie Denkverlauf und endgültigen Inhalt in der Oberfläche und erhalten Sie das genaue Gesprächsformat, das der Checkpoint erwartet. Herstelleroptionen belegen nicht, welche Parameter eine andere Anwendung anbietet.
Empfehlungen zur Generierung
Für den Denkmodus empfiehlt Qwen 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. Für direkte Antworten empfiehlt der Hersteller in derselben Reihenfolge 0.7, 0.8, 20, 0, 1.5 und 1.0. Eine höhere Presence Penalty kann Wiederholungen verringern, aber auch Sprachen vermischen oder die Qualität leicht mindern.
In einem konfigurierten Ablauf mit einer Million Token, der getrennte Grenzen unterstützt, empfiehlt der Hersteller Budgets von 262,144 Token für den Denkverlauf und 131,072 für die endgültige Antwort. Dies sind bedingte Budgetempfehlungen, keine unabhängigen harten Ausgabeobergrenzen oder Zuteilungen, die gleichzeitig in den nativen Kontext passen.
Sehr langer Kontext und Grenzen
Die dokumentierte Erweiterung verwendet YaRN mit den modellspezifischen verschachtelten Positionseinstellungen. Ein Faktor von vier zielt auf den Ablauf mit einer Million Token; für eine Arbeitslast von etwa 524,288 Token schlägt der Hersteller einen Faktor von zwei vor. Statische Skalierung kann die Qualität bei kürzeren Texten beeinträchtigen. Qwen empfiehlt deshalb, sie dann zu aktivieren, wenn der längere Kontext benötigt wird. Übernehmen Sie den Extrapolationsfaktor einer anderen Qwen-VL-Ausgabe nicht ohne deren eigene Anleitung.
Ordnen Sie lange Eingaben nach Dokument, Seite oder Codekennung und verlangen Sie ein überprüfbares Ergebnis. Prüfen Sie Berechnungen, kleine visuelle Beschriftungen und erzeugte Patches anhand der Quelle. Langer Kontext, erhaltene Denkverläufe und grössere Videobudgets helfen, mehr Belege durch eine Aufgabe mitzunehmen; allein belegen sie weder vollständige Erinnerung noch korrektes Schlussfolgern oder eine abgeschlossene externe Aktion.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.8-27b | 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 $0.00085 / 1K Tokens Ausgabe · Ausgabetoken $0.0051 / 1K Tokens Eingabe · Cache lesen $0.00017 / 1K Tokens Eingabe · Cache schreiben $0.0010625 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00085 / 1K Tokens Ausgabe · Ausgabetoken $0.0051 / 1K Tokens Eingabe · Cache lesen $0.00017 / 1K Tokens Eingabe · Cache schreiben $0.0010625 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.8-27b", "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/qwen3.8-27b',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/qwen3.8-27b',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/qwen3.8-27b
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3.8-27bQwen3.8-27B ist Qwens dichtes Vision-Language-Modell für Text, Bilder und Video mit Textausgabe. Es verbindet Programmierung und mehrstufige Agentenarbeit mit wählbarem Denkmodus, Erhaltung der Denkverläufe und einem nativen Kontext von 262,144 Token, der sich per Konfiguration auf eine Million erweitern lässt.
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 in einem dichten Vision-Language-Modell
Qwen3.8-27B überträgt die Verbesserungen von Qwen3.8 bei Programmierung, professioneller Arbeit, Recherche und Agentenaufgaben auf ein dichtes Modell mit 27 Milliarden Parametern. Es akzeptiert Text, Bilder und Video und gibt Text zurück. Sein dokumentierter visueller Aufgabenbereich umfasst MINT-Diagramme, Dokumentseiten und Videos im Stundenbereich. Es ist ein eigenständiger Checkpoint gegenüber dem wesentlich grösseren, rein textbasierten Qwen3.8-2.4T-A95B; deshalb sind ihre Eingabefähigkeiten und Vorgaben zum Denkmodus getrennt zu behandeln.
Qwen betont autonome Planung, die Nutzung von Rückmeldungen aus der Umgebung und die Integration in Entwicklungsumgebungen für Agenten. Geben Sie für eine Agentenaufgabe das Ziel, relevante Materialien, erlaubte Werkzeuge und Nachweise an, die den Abschluss belegen würden. Ein Modell kann anhand zurückgelieferter Ergebnisse Aktionen vorschlagen und anpassen; ausgeführt werden diese durch die angebundene Software. Verlangen Sie das fertige Artefakt und offene Bedingungen, statt einen Plan als ausgeführtes Ergebnis zu behandeln.
Modellübersicht
Das 27B-Modell besitzt 64 Sprachmodellschichten. Seine hybride Architektur gruppiert jeweils drei Gated-DeltaNet-Schichten und anschliessend eine Schicht mit Gated Attention, mit dichten Feedforward-Netzen. Es wird mit Multi-Token Prediction trainiert und enthält einen Vision-Encoder. Diese Architekturmerkmale beschreiben das veröffentlichte Modell; sie bedeuten nicht, dass jede Bereitstellung denselben Speicherbedarf oder dieselbe Latenz aufweist.
Der native Kontext beträgt 262,144 Token, mit einer dokumentierten Erweiterung auf 1,000,000. Text, visuelle Repräsentationen, Gesprächsverlauf, Denkverlauf und endgültige Ausgabe teilen sich das konfigurierte Sequenzbudget. Der Hersteller beschreibt separat eine verwaltete Ausgabe mit zusätzlichen Funktionen; diese dürfen dem offenen Checkpoint nicht automatisch zugeschrieben werden.
Text, Bilder und Video verwenden
Liefern Sie für eine Programmieraufgabe die relevante Funktion oder das Modul, eine fehlschlagende Eingabe und das erwartete Verhalten. Verlangen Sie anschliessend einen Patch mit den betroffenen Annahmen und Prüfungen. Erhalten Sie bei einem Diagramm die Beschriftungen und geben Sie die vollständige Frage an. Fragen Sie bei einem Dokument nach benannten Feldern oder Schlussfolgerungen mit Seitenverweisen. Benennen Sie bei Video das gesuchte Ereignis und erhalten Sie dessen Zeitangaben.
Das Videobeispiel des Herstellers verwendet im unterstützten Bereitstellungsablauf standardmässig zwei Bilder pro Sekunde, mit optionalen Einstellungen zur Abtastung. Eine allgemeine Szenenzusammenfassung und ein kurzes Ereignis können unterschiedliche Abtastungen erfordern. Die Anleitung für lange Videos empfiehlt, das Budget des Videoprozessors für eine höhere Abtastrate bei Material im Stundenbereich zu erweitern; ein Beispiel entspricht ungefähr 224K Video-Token. Das erfordert Konfiguration und konkurriert mit anderen Kontextinhalten; es ist keine allgemeingültige Garantie für die Cliplänge.
Denkmodus und frühere Denkverläufe
Der Denkmodus ist standardmässig aktiviert und kann pro Anfrage über die Herstelleroption enable_thinking deaktiviert werden. reasoning_effort unterstützt xhigh, medium und low, wobei xhigh der Standardwert ist. Ein geringerer Aufwand kann einen einzelnen Gesprächsschritt verkürzen. Qwen warnt jedoch, dass unzureichende Analyse bei Agentenaufgaben zu Fehlern und wiederholter Arbeit führen und damit die gesamte Bearbeitungszeit erhöhen kann.
preserve_thinking ist standardmässig aktiviert und bewahrt Denkblöcke aus früheren Nachrichten für die Kontinuität auf. Wird die Option deaktiviert, bleiben nur die Denkblöcke erhalten, die bei der Bearbeitung der jüngsten Nutzernachricht entstanden sind. Dies unterscheidet sich von älteren Qwen-Empfehlungen, die frühere Denkverläufe vollständig verwerfen. Trennen Sie Denkverlauf und endgültigen Inhalt in der Oberfläche und erhalten Sie das genaue Gesprächsformat, das der Checkpoint erwartet. Herstelleroptionen belegen nicht, welche Parameter eine andere Anwendung anbietet.
Empfehlungen zur Generierung
Für den Denkmodus empfiehlt Qwen 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. Für direkte Antworten empfiehlt der Hersteller in derselben Reihenfolge 0.7, 0.8, 20, 0, 1.5 und 1.0. Eine höhere Presence Penalty kann Wiederholungen verringern, aber auch Sprachen vermischen oder die Qualität leicht mindern.
In einem konfigurierten Ablauf mit einer Million Token, der getrennte Grenzen unterstützt, empfiehlt der Hersteller Budgets von 262,144 Token für den Denkverlauf und 131,072 für die endgültige Antwort. Dies sind bedingte Budgetempfehlungen, keine unabhängigen harten Ausgabeobergrenzen oder Zuteilungen, die gleichzeitig in den nativen Kontext passen.
Sehr langer Kontext und Grenzen
Die dokumentierte Erweiterung verwendet YaRN mit den modellspezifischen verschachtelten Positionseinstellungen. Ein Faktor von vier zielt auf den Ablauf mit einer Million Token; für eine Arbeitslast von etwa 524,288 Token schlägt der Hersteller einen Faktor von zwei vor. Statische Skalierung kann die Qualität bei kürzeren Texten beeinträchtigen. Qwen empfiehlt deshalb, sie dann zu aktivieren, wenn der längere Kontext benötigt wird. Übernehmen Sie den Extrapolationsfaktor einer anderen Qwen-VL-Ausgabe nicht ohne deren eigene Anleitung.
Ordnen Sie lange Eingaben nach Dokument, Seite oder Codekennung und verlangen Sie ein überprüfbares Ergebnis. Prüfen Sie Berechnungen, kleine visuelle Beschriftungen und erzeugte Patches anhand der Quelle. Langer Kontext, erhaltene Denkverläufe und grössere Videobudgets helfen, mehr Belege durch eine Aufgabe mitzunehmen; allein belegen sie weder vollständige Erinnerung noch korrektes Schlussfolgern oder eine abgeschlossene externe Aktion.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.8-27b | 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 $0.00085 / 1K Tokens Ausgabe · Ausgabetoken $0.0051 / 1K Tokens Eingabe · Cache lesen $0.00017 / 1K Tokens Eingabe · Cache schreiben $0.0010625 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00085 / 1K Tokens Ausgabe · Ausgabetoken $0.0051 / 1K Tokens Eingabe · Cache lesen $0.00017 / 1K Tokens Eingabe · Cache schreiben $0.0010625 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3.8-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.8-27b', '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/qwen3.8-27b', '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/qwen3.8-27b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Analyze a circuit described in text\n\nA written circuit description gives two 6-ohm resistors connected in parallel across an ideal 12-volt source. Assume ideal wires and constant resistance. Derive the equivalent resistance, total current and current through each branch. Show the formulas and verify that branch currents add to the total. No circuit image or execution tool is provided.A short derivation with units, three requested quantities and a current-sum check.Equivalent resistance is 3 ohms and the two equal branch currents sum to the derived total current.