Schwerpunkte: ein Modell für Programmieragenten
Qwen3-Coder-Next ist ein offenes Textmodell, das speziell für Programmieragenten und Entwicklungsabläufe entwickelt wurde. Qwen beschreibt langfristige Problemlösung, komplexe Werkzeugnutzung und Wiederherstellung nach Ausführungsfehlern sowie Anpassbarkeit an unterschiedliche Entwicklungsumgebungen für Agenten. Es nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen und Werkzeuganforderungen. Dieser genaue Coder-Next-Checkpoint hat seinen eigenen Non-Thinking-Vertrag; Thinking-Editionen der breiteren Next-Familie sind kein Ersatz dafür.
Geben Sie für eine Entwicklungsaufgabe relevante Dateien oder Auszüge, beabsichtigtes Verhalten und eine das Problem zeigende Eingabe vor. Verlangen Sie eine bearbeitbare Änderung und eine auf diese Bedingungen bezogene Erklärung. Legen Sie für eine mehrschrittige Aufgabe Ziel, zulässige Werkzeuge und Beobachtungen fest, die den Abschluss zeigen würden. Prüfen Sie vorgeschlagene Codeänderung und Erklärung anhand der gelieferten Dateien, fehlerauslösenden Eingabe und Abschlusskriterien.
Modellüberblick
Das Modell hat insgesamt 80 Milliarden Parameter und aktiviert drei Milliarden. Sein hybrider Aufbau mit 48 Schichten wiederholt drei Gated-DeltaNet-Expertenschichten, gefolgt von einer Gated-Attention-Expertenschicht. Der Hersteller nennt 512 Experten, zehn aktivierte Experten und einen gemeinsamen Experten. Die kleine aktivierte Zahl ist eine Berechnungseigenschaft des dünn besetzten Modells, nicht die Grösse des vollständigen Checkpoints.
Der native Kontext beträgt 262’144 Tokens. Die Herstellerbeispiele erlauben einen kleineren Kontext wie 32’768, wenn Speicherbeschränkungen die grössere Konfiguration verhindern. Quellcode, Verlauf, Werkzeugbeobachtungen und erzeugter Text müssen in das konfigurierte Sequenzbudget passen. Die Modellkarte belegt für diesen Checkpoint keine standardmässige Million-Token-Erweiterung.
Nutzung der Non-Thinking-Textschnittstelle
Coder-Next unterstützt ausschliesslich Non-Thinking und erzeugt keine ausdrücklichen Thinking-Blöcke. Die Einstellung enable_thinking=False ist im Herstellerbeispiel unnötig. Es kann weiterhin einen Patch erklären, einen Algorithmus besprechen oder in gewöhnlichem Text schlussfolgern; Non-Thinking beschreibt den Ausgabemodus und verbietet keine Erklärung.
Der Schnellstart verlangt einen Sortieralgorithmus und verwendet ein Generierungsbudget von 65’536 Tokens. Dieser Wert ist ein Beispielbudget, keine separat veröffentlichte harte Ausgabegrenze. Geben Sie Format und Bedingungen des Artefakts vor: Sprache, relevante Schnittstellen, erforderliches Verhalten und ob die Antwort einen Patch, eine vollständige Funktion oder eine Erklärung enthalten soll. Halten Sie das bearbeitbare Ergebnis zur leichteren Prüfung von Kommentaren getrennt.
Entwicklungsumgebungen für Agenten und Kontext
Der Hersteller betont Kompatibilität mit CLI- und IDE-artigen Agentenumgebungen, einschliesslich Qwen Code. Eine solche Umgebung liefert Projektzustand, Werkzeugdefinitionen, Beobachtungen und Gesprächsformat. Bewahren Sie diese Eingaben in einer mehrschrittigen Aufgabe konsistent. Geben Sie bei einer vom Werkzeug gemeldeten fehlgeschlagenen Prüfung tatsächlichen Fehler und relevanten geänderten Code vor, statt dem Modell nur einen neuen Versuch aufzutragen.
Langfristige Arbeit profitiert von einem sichtbaren Aufgabenstand: was beobachtet wurde, welche Änderung vorgeschlagen wird und welche Bedingung ungeklärt bleibt. Eine Werkzeugbeobachtung unterscheidet sich von einer Behauptung in generiertem Text. Die Fähigkeit des Modells zur Fehlerbehebung ist weder eine automatische Erlaubnis für Befehlsausführung noch eine Garantie, dass jede Wiederherstellung gelingt.
Agentenprogrammierung und Werkzeugaufrufe
Qwen dokumentiert funktionsartige Werkzeugdefinitionen mit Namen, Beschreibungen, Eingabeschemata und erforderlichen Feldern. Geben Sie eine genaue Definition und die erwartete Bedeutung des Rückgabewerts vor. Die Anwendung führt ein ausgewähltes Werkzeug aus und gibt sein Ergebnis zurück; das Modell verwendet es anschliessend im nächsten Schritt. Werkzeugaufrufe selbst gewähren keinen Zugriff auf Dateisystem, aktuelle Quellen oder eine Ausführungsumgebung.
Beschränken Sie bei einem Agenten, der ein Repository bearbeitet, die zulässigen Dateien und das gewünschte Ergebnis. Ein nützlicher endgültiger Bericht kann betroffene Module benennen, die Änderung erklären und tatsächliche Ergebnisse verbundener Prüfungen auflisten. Halten Sie vorgeschlagene Befehle, erzeugten Code und abgeschlossene Operationen getrennt. Dies sind praktische Ablaufbeispiele auf Grundlage des dokumentierten Entwicklungs- und Werkzeugumfangs.
Generierungsempfehlungen
Der Hersteller empfiehlt temperature 1,0, top_p 0,95 und top_k 40. Diese genauen Einstellungen unterscheiden sich von mehreren gesprächsorientierten Qwen-Modellen und bleiben Teil des eigenen Ansatzes von Coder-Next. Die veröffentlichte Konfiguration verwendet eine kausale Qwen3-Next-Sprachmodellarchitektur. Verwenden Sie dokumentierten Modellnamen und Chatvorlage dieses Checkpoints im Programmierablauf konsistent.
Wesentliche Grenzen
Die dokumentierte Eingabe ist Text; Screenshots, Audio oder Video benötigen daher vor diesem Programmierablauf eine geeignete gesonderte Darstellung. Nativer Kontext und beispielhafte Generierungsbudgets sind endlich; kürzen Sie sachfremden Code und reservieren Sie Platz für das gewünschte Artefakt. Prüfen Sie generierte Syntax, Schnittstellen, Randfälle und vorgeschlagene Änderungen im tatsächlichen Entwicklungsablauf. Die nützliche Ausgabe ist ein überprüfbares Code- oder Erklärungsartefakt, gestützt auf tatsächliche Aufgabenbelege, unter Wahrung der reinen Text- und Non-Thinking-Kennung dieses Checkpoints.
", "aboutText": "Schwerpunkte: ein Modell für Programmieragenten\n\nQwen3-Coder-Next ist ein offenes Textmodell, das speziell für Programmieragenten und Entwicklungsabläufe entwickelt wurde. Qwen beschreibt langfristige Problemlösung, komplexe Werkzeugnutzung und Wiederherstellung nach Ausführungsfehlern sowie Anpassbarkeit an unterschiedliche Entwicklungsumgebungen für Agenten. Es nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen und Werkzeuganforderungen. Dieser genaue Coder-Next-Checkpoint hat seinen eigenen Non-Thinking-Vertrag; Thinking-Editionen der breiteren Next-Familie sind kein Ersatz dafür.\n\nGeben Sie für eine Entwicklungsaufgabe relevante Dateien oder Auszüge, beabsichtigtes Verhalten und eine das Problem zeigende Eingabe vor. Verlangen Sie eine bearbeitbare Änderung und eine auf diese Bedingungen bezogene Erklärung. Legen Sie für eine mehrschrittige Aufgabe Ziel, zulässige Werkzeuge und Beobachtungen fest, die den Abschluss zeigen würden. Prüfen Sie vorgeschlagene Codeänderung und Erklärung anhand der gelieferten Dateien, fehlerauslösenden Eingabe und Abschlusskriterien.\n\nModellüberblick\n\nDas Modell hat insgesamt 80 Milliarden Parameter und aktiviert drei Milliarden. Sein hybrider Aufbau mit 48 Schichten wiederholt drei Gated-DeltaNet-Expertenschichten, gefolgt von einer Gated-Attention-Expertenschicht. Der Hersteller nennt 512 Experten, zehn aktivierte Experten und einen gemeinsamen Experten. Die kleine aktivierte Zahl ist eine Berechnungseigenschaft des dünn besetzten Modells, nicht die Grösse des vollständigen Checkpoints.\n\nDer native Kontext beträgt 262’144 Tokens. Die Herstellerbeispiele erlauben einen kleineren Kontext wie 32’768, wenn Speicherbeschränkungen die grössere Konfiguration verhindern. Quellcode, Verlauf, Werkzeugbeobachtungen und erzeugter Text müssen in das konfigurierte Sequenzbudget passen. Die Modellkarte belegt für diesen Checkpoint keine standardmässige Million-Token-Erweiterung.\n\nNutzung der Non-Thinking-Textschnittstelle\n\nCoder-Next unterstützt ausschliesslich Non-Thinking und erzeugt keine ausdrücklichen Thinking-Blöcke. Die Einstellung enable_thinking=False ist im Herstellerbeispiel unnötig. Es kann weiterhin einen Patch erklären, einen Algorithmus besprechen oder in gewöhnlichem Text schlussfolgern; Non-Thinking beschreibt den Ausgabemodus und verbietet keine Erklärung.\n\nDer Schnellstart verlangt einen Sortieralgorithmus und verwendet ein Generierungsbudget von 65’536 Tokens. Dieser Wert ist ein Beispielbudget, keine separat veröffentlichte harte Ausgabegrenze. Geben Sie Format und Bedingungen des Artefakts vor: Sprache, relevante Schnittstellen, erforderliches Verhalten und ob die Antwort einen Patch, eine vollständige Funktion oder eine Erklärung enthalten soll. Halten Sie das bearbeitbare Ergebnis zur leichteren Prüfung von Kommentaren getrennt.\n\nEntwicklungsumgebungen für Agenten und Kontext\n\nDer Hersteller betont Kompatibilität mit CLI- und IDE-artigen Agentenumgebungen, einschliesslich Qwen Code. Eine solche Umgebung liefert Projektzustand, Werkzeugdefinitionen, Beobachtungen und Gesprächsformat. Bewahren Sie diese Eingaben in einer mehrschrittigen Aufgabe konsistent. Geben Sie bei einer vom Werkzeug gemeldeten fehlgeschlagenen Prüfung tatsächlichen Fehler und relevanten geänderten Code vor, statt dem Modell nur einen neuen Versuch aufzutragen.\n\nLangfristige Arbeit profitiert von einem sichtbaren Aufgabenstand: was beobachtet wurde, welche Änderung vorgeschlagen wird und welche Bedingung ungeklärt bleibt. Eine Werkzeugbeobachtung unterscheidet sich von einer Behauptung in generiertem Text. Die Fähigkeit des Modells zur Fehlerbehebung ist weder eine automatische Erlaubnis für Befehlsausführung noch eine Garantie, dass jede Wiederherstellung gelingt.\n\nAgentenprogrammierung und Werkzeugaufrufe\n\nQwen dokumentiert funktionsartige Werkzeugdefinitionen mit Namen, Beschreibungen, Eingabeschemata und erforderlichen Feldern. Geben Sie eine genaue Definition und die erwartete Bedeutung des Rückgabewerts vor. Die Anwendung führt ein ausgewähltes Werkzeug aus und gibt sein Ergebnis zurück; das Modell verwendet es anschliessend im nächsten Schritt. Werkzeugaufrufe selbst gewähren keinen Zugriff auf Dateisystem, aktuelle Quellen oder eine Ausführungsumgebung.\n\nBeschränken Sie bei einem Agenten, der ein Repository bearbeitet, die zulässigen Dateien und das gewünschte Ergebnis. Ein nützlicher endgültiger Bericht kann betroffene Module benennen, die Änderung erklären und tatsächliche Ergebnisse verbundener Prüfungen auflisten. Halten Sie vorgeschlagene Befehle, erzeugten Code und abgeschlossene Operationen getrennt. Dies sind praktische Ablaufbeispiele auf Grundlage des dokumentierten Entwicklungs- und Werkzeugumfangs.\n\nGenerierungsempfehlungen\n\nDer Hersteller empfiehlt temperature 1,0, top_p 0,95 und top_k 40. Diese genauen Einstellungen unterscheiden sich von mehreren gesprächsorientierten Qwen-Modellen und bleiben Teil des eigenen Ansatzes von Coder-Next. Die veröffentlichte Konfiguration verwendet eine kausale Qwen3-Next-Sprachmodellarchitektur. Verwenden Sie dokumentierten Modellnamen und Chatvorlage dieses Checkpoints im Programmierablauf konsistent.\n\nWesentliche Grenzen\n\nDie dokumentierte Eingabe ist Text; Screenshots, Audio oder Video benötigen daher vor diesem Programmierablauf eine geeignete gesonderte Darstellung. Nativer Kontext und beispielhafte Generierungsbudgets sind endlich; kürzen Sie sachfremden Code und reservieren Sie Platz für das gewünschte Artefakt. Prüfen Sie generierte Syntax, Schnittstellen, Randfälle und vorgeschlagene Änderungen im tatsächlichen Entwicklungsablauf. Die nützliche Ausgabe ist ein überprüfbares Code- oder Erklärungsartefakt, gestützt auf tatsächliche Aufgabenbelege, unter Wahrung der reinen Text- und Non-Thinking-Kennung dieses Checkpoints.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Implement a stable partition helper\n\nWrite a Python function partition_even(values) returning two new lists: even integers first and odd integers second. Preserve order within each list and do not mutate values. Provide tests for negative integers, repeated values and empty input. Return the complete function separately from the explanation, with no claim that tests have been executed.A complete function, tests for the named cases and a brief order-preservation explanation.Check that each input occurrence appears exactly once in the appropriate result list and that source order is retained.qwen/qwen3-coder-nextQwen3-Coder-Next ist Qwens reines Textmodell für Programmieragenten mit insgesamt 80 Milliarden und 3 Milliarden aktivierten Parametern. Es nutzt Non-Thinking-Ausgabe, nativen Kontext von 262’144 Tokens und Werkzeugaufrufe für Entwicklung, einschliesslich mehrschrittiger Arbeit und Fehlerbehebung mit Ausführungsrückmeldungen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Schwerpunkte: ein Modell für Programmieragenten
Qwen3-Coder-Next ist ein offenes Textmodell, das speziell für Programmieragenten und Entwicklungsabläufe entwickelt wurde. Qwen beschreibt langfristige Problemlösung, komplexe Werkzeugnutzung und Wiederherstellung nach Ausführungsfehlern sowie Anpassbarkeit an unterschiedliche Entwicklungsumgebungen für Agenten. Es nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen und Werkzeuganforderungen. Dieser genaue Coder-Next-Checkpoint hat seinen eigenen Non-Thinking-Vertrag; Thinking-Editionen der breiteren Next-Familie sind kein Ersatz dafür.
Geben Sie für eine Entwicklungsaufgabe relevante Dateien oder Auszüge, beabsichtigtes Verhalten und eine das Problem zeigende Eingabe vor. Verlangen Sie eine bearbeitbare Änderung und eine auf diese Bedingungen bezogene Erklärung. Legen Sie für eine mehrschrittige Aufgabe Ziel, zulässige Werkzeuge und Beobachtungen fest, die den Abschluss zeigen würden. Prüfen Sie vorgeschlagene Codeänderung und Erklärung anhand der gelieferten Dateien, fehlerauslösenden Eingabe und Abschlusskriterien.
Modellüberblick
Das Modell hat insgesamt 80 Milliarden Parameter und aktiviert drei Milliarden. Sein hybrider Aufbau mit 48 Schichten wiederholt drei Gated-DeltaNet-Expertenschichten, gefolgt von einer Gated-Attention-Expertenschicht. Der Hersteller nennt 512 Experten, zehn aktivierte Experten und einen gemeinsamen Experten. Die kleine aktivierte Zahl ist eine Berechnungseigenschaft des dünn besetzten Modells, nicht die Grösse des vollständigen Checkpoints.
Der native Kontext beträgt 262’144 Tokens. Die Herstellerbeispiele erlauben einen kleineren Kontext wie 32’768, wenn Speicherbeschränkungen die grössere Konfiguration verhindern. Quellcode, Verlauf, Werkzeugbeobachtungen und erzeugter Text müssen in das konfigurierte Sequenzbudget passen. Die Modellkarte belegt für diesen Checkpoint keine standardmässige Million-Token-Erweiterung.
Nutzung der Non-Thinking-Textschnittstelle
Coder-Next unterstützt ausschliesslich Non-Thinking und erzeugt keine ausdrücklichen Thinking-Blöcke. Die Einstellung enable_thinking=False ist im Herstellerbeispiel unnötig. Es kann weiterhin einen Patch erklären, einen Algorithmus besprechen oder in gewöhnlichem Text schlussfolgern; Non-Thinking beschreibt den Ausgabemodus und verbietet keine Erklärung.
Der Schnellstart verlangt einen Sortieralgorithmus und verwendet ein Generierungsbudget von 65’536 Tokens. Dieser Wert ist ein Beispielbudget, keine separat veröffentlichte harte Ausgabegrenze. Geben Sie Format und Bedingungen des Artefakts vor: Sprache, relevante Schnittstellen, erforderliches Verhalten und ob die Antwort einen Patch, eine vollständige Funktion oder eine Erklärung enthalten soll. Halten Sie das bearbeitbare Ergebnis zur leichteren Prüfung von Kommentaren getrennt.
Entwicklungsumgebungen für Agenten und Kontext
Der Hersteller betont Kompatibilität mit CLI- und IDE-artigen Agentenumgebungen, einschliesslich Qwen Code. Eine solche Umgebung liefert Projektzustand, Werkzeugdefinitionen, Beobachtungen und Gesprächsformat. Bewahren Sie diese Eingaben in einer mehrschrittigen Aufgabe konsistent. Geben Sie bei einer vom Werkzeug gemeldeten fehlgeschlagenen Prüfung tatsächlichen Fehler und relevanten geänderten Code vor, statt dem Modell nur einen neuen Versuch aufzutragen.
Langfristige Arbeit profitiert von einem sichtbaren Aufgabenstand: was beobachtet wurde, welche Änderung vorgeschlagen wird und welche Bedingung ungeklärt bleibt. Eine Werkzeugbeobachtung unterscheidet sich von einer Behauptung in generiertem Text. Die Fähigkeit des Modells zur Fehlerbehebung ist weder eine automatische Erlaubnis für Befehlsausführung noch eine Garantie, dass jede Wiederherstellung gelingt.
Agentenprogrammierung und Werkzeugaufrufe
Qwen dokumentiert funktionsartige Werkzeugdefinitionen mit Namen, Beschreibungen, Eingabeschemata und erforderlichen Feldern. Geben Sie eine genaue Definition und die erwartete Bedeutung des Rückgabewerts vor. Die Anwendung führt ein ausgewähltes Werkzeug aus und gibt sein Ergebnis zurück; das Modell verwendet es anschliessend im nächsten Schritt. Werkzeugaufrufe selbst gewähren keinen Zugriff auf Dateisystem, aktuelle Quellen oder eine Ausführungsumgebung.
Beschränken Sie bei einem Agenten, der ein Repository bearbeitet, die zulässigen Dateien und das gewünschte Ergebnis. Ein nützlicher endgültiger Bericht kann betroffene Module benennen, die Änderung erklären und tatsächliche Ergebnisse verbundener Prüfungen auflisten. Halten Sie vorgeschlagene Befehle, erzeugten Code und abgeschlossene Operationen getrennt. Dies sind praktische Ablaufbeispiele auf Grundlage des dokumentierten Entwicklungs- und Werkzeugumfangs.
Generierungsempfehlungen
Der Hersteller empfiehlt temperature 1,0, top_p 0,95 und top_k 40. Diese genauen Einstellungen unterscheiden sich von mehreren gesprächsorientierten Qwen-Modellen und bleiben Teil des eigenen Ansatzes von Coder-Next. Die veröffentlichte Konfiguration verwendet eine kausale Qwen3-Next-Sprachmodellarchitektur. Verwenden Sie dokumentierten Modellnamen und Chatvorlage dieses Checkpoints im Programmierablauf konsistent.
Wesentliche Grenzen
Die dokumentierte Eingabe ist Text; Screenshots, Audio oder Video benötigen daher vor diesem Programmierablauf eine geeignete gesonderte Darstellung. Nativer Kontext und beispielhafte Generierungsbudgets sind endlich; kürzen Sie sachfremden Code und reservieren Sie Platz für das gewünschte Artefakt. Prüfen Sie generierte Syntax, Schnittstellen, Randfälle und vorgeschlagene Änderungen im tatsächlichen Entwicklungsablauf. Die nützliche Ausgabe ist ein überprüfbares Code- oder Erklärungsartefakt, gestützt auf tatsächliche Aufgabenbelege, unter Wahrung der reinen Text- und Non-Thinking-Kennung dieses Checkpoints.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-coder-next | 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 $0.00024 / 1K Tokens Ausgabe · Ausgabetoken $0.0016 / 1K Tokens Eingabe · Cache lesen $0.00014 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00024 / 1K Tokens Ausgabe · Ausgabetoken $0.0016 / 1K Tokens Eingabe · Cache lesen $0.00014 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-coder-next", "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-coder-next',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-coder-next',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-coder-next
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3-coder-nextQwen3-Coder-Next ist Qwens reines Textmodell für Programmieragenten mit insgesamt 80 Milliarden und 3 Milliarden aktivierten Parametern. Es nutzt Non-Thinking-Ausgabe, nativen Kontext von 262’144 Tokens und Werkzeugaufrufe für Entwicklung, einschliesslich mehrschrittiger Arbeit und Fehlerbehebung mit Ausführungsrückmeldungen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Schwerpunkte: ein Modell für Programmieragenten
Qwen3-Coder-Next ist ein offenes Textmodell, das speziell für Programmieragenten und Entwicklungsabläufe entwickelt wurde. Qwen beschreibt langfristige Problemlösung, komplexe Werkzeugnutzung und Wiederherstellung nach Ausführungsfehlern sowie Anpassbarkeit an unterschiedliche Entwicklungsumgebungen für Agenten. Es nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen und Werkzeuganforderungen. Dieser genaue Coder-Next-Checkpoint hat seinen eigenen Non-Thinking-Vertrag; Thinking-Editionen der breiteren Next-Familie sind kein Ersatz dafür.
Geben Sie für eine Entwicklungsaufgabe relevante Dateien oder Auszüge, beabsichtigtes Verhalten und eine das Problem zeigende Eingabe vor. Verlangen Sie eine bearbeitbare Änderung und eine auf diese Bedingungen bezogene Erklärung. Legen Sie für eine mehrschrittige Aufgabe Ziel, zulässige Werkzeuge und Beobachtungen fest, die den Abschluss zeigen würden. Prüfen Sie vorgeschlagene Codeänderung und Erklärung anhand der gelieferten Dateien, fehlerauslösenden Eingabe und Abschlusskriterien.
Modellüberblick
Das Modell hat insgesamt 80 Milliarden Parameter und aktiviert drei Milliarden. Sein hybrider Aufbau mit 48 Schichten wiederholt drei Gated-DeltaNet-Expertenschichten, gefolgt von einer Gated-Attention-Expertenschicht. Der Hersteller nennt 512 Experten, zehn aktivierte Experten und einen gemeinsamen Experten. Die kleine aktivierte Zahl ist eine Berechnungseigenschaft des dünn besetzten Modells, nicht die Grösse des vollständigen Checkpoints.
Der native Kontext beträgt 262’144 Tokens. Die Herstellerbeispiele erlauben einen kleineren Kontext wie 32’768, wenn Speicherbeschränkungen die grössere Konfiguration verhindern. Quellcode, Verlauf, Werkzeugbeobachtungen und erzeugter Text müssen in das konfigurierte Sequenzbudget passen. Die Modellkarte belegt für diesen Checkpoint keine standardmässige Million-Token-Erweiterung.
Nutzung der Non-Thinking-Textschnittstelle
Coder-Next unterstützt ausschliesslich Non-Thinking und erzeugt keine ausdrücklichen Thinking-Blöcke. Die Einstellung enable_thinking=False ist im Herstellerbeispiel unnötig. Es kann weiterhin einen Patch erklären, einen Algorithmus besprechen oder in gewöhnlichem Text schlussfolgern; Non-Thinking beschreibt den Ausgabemodus und verbietet keine Erklärung.
Der Schnellstart verlangt einen Sortieralgorithmus und verwendet ein Generierungsbudget von 65’536 Tokens. Dieser Wert ist ein Beispielbudget, keine separat veröffentlichte harte Ausgabegrenze. Geben Sie Format und Bedingungen des Artefakts vor: Sprache, relevante Schnittstellen, erforderliches Verhalten und ob die Antwort einen Patch, eine vollständige Funktion oder eine Erklärung enthalten soll. Halten Sie das bearbeitbare Ergebnis zur leichteren Prüfung von Kommentaren getrennt.
Entwicklungsumgebungen für Agenten und Kontext
Der Hersteller betont Kompatibilität mit CLI- und IDE-artigen Agentenumgebungen, einschliesslich Qwen Code. Eine solche Umgebung liefert Projektzustand, Werkzeugdefinitionen, Beobachtungen und Gesprächsformat. Bewahren Sie diese Eingaben in einer mehrschrittigen Aufgabe konsistent. Geben Sie bei einer vom Werkzeug gemeldeten fehlgeschlagenen Prüfung tatsächlichen Fehler und relevanten geänderten Code vor, statt dem Modell nur einen neuen Versuch aufzutragen.
Langfristige Arbeit profitiert von einem sichtbaren Aufgabenstand: was beobachtet wurde, welche Änderung vorgeschlagen wird und welche Bedingung ungeklärt bleibt. Eine Werkzeugbeobachtung unterscheidet sich von einer Behauptung in generiertem Text. Die Fähigkeit des Modells zur Fehlerbehebung ist weder eine automatische Erlaubnis für Befehlsausführung noch eine Garantie, dass jede Wiederherstellung gelingt.
Agentenprogrammierung und Werkzeugaufrufe
Qwen dokumentiert funktionsartige Werkzeugdefinitionen mit Namen, Beschreibungen, Eingabeschemata und erforderlichen Feldern. Geben Sie eine genaue Definition und die erwartete Bedeutung des Rückgabewerts vor. Die Anwendung führt ein ausgewähltes Werkzeug aus und gibt sein Ergebnis zurück; das Modell verwendet es anschliessend im nächsten Schritt. Werkzeugaufrufe selbst gewähren keinen Zugriff auf Dateisystem, aktuelle Quellen oder eine Ausführungsumgebung.
Beschränken Sie bei einem Agenten, der ein Repository bearbeitet, die zulässigen Dateien und das gewünschte Ergebnis. Ein nützlicher endgültiger Bericht kann betroffene Module benennen, die Änderung erklären und tatsächliche Ergebnisse verbundener Prüfungen auflisten. Halten Sie vorgeschlagene Befehle, erzeugten Code und abgeschlossene Operationen getrennt. Dies sind praktische Ablaufbeispiele auf Grundlage des dokumentierten Entwicklungs- und Werkzeugumfangs.
Generierungsempfehlungen
Der Hersteller empfiehlt temperature 1,0, top_p 0,95 und top_k 40. Diese genauen Einstellungen unterscheiden sich von mehreren gesprächsorientierten Qwen-Modellen und bleiben Teil des eigenen Ansatzes von Coder-Next. Die veröffentlichte Konfiguration verwendet eine kausale Qwen3-Next-Sprachmodellarchitektur. Verwenden Sie dokumentierten Modellnamen und Chatvorlage dieses Checkpoints im Programmierablauf konsistent.
Wesentliche Grenzen
Die dokumentierte Eingabe ist Text; Screenshots, Audio oder Video benötigen daher vor diesem Programmierablauf eine geeignete gesonderte Darstellung. Nativer Kontext und beispielhafte Generierungsbudgets sind endlich; kürzen Sie sachfremden Code und reservieren Sie Platz für das gewünschte Artefakt. Prüfen Sie generierte Syntax, Schnittstellen, Randfälle und vorgeschlagene Änderungen im tatsächlichen Entwicklungsablauf. Die nützliche Ausgabe ist ein überprüfbares Code- oder Erklärungsartefakt, gestützt auf tatsächliche Aufgabenbelege, unter Wahrung der reinen Text- und Non-Thinking-Kennung dieses Checkpoints.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-coder-next | 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 $0.00024 / 1K Tokens Ausgabe · Ausgabetoken $0.0016 / 1K Tokens Eingabe · Cache lesen $0.00014 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00024 / 1K Tokens Ausgabe · Ausgabetoken $0.0016 / 1K Tokens Eingabe · Cache lesen $0.00014 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3-coder-next",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-coder-next', '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-coder-next', '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-coder-next
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Implement a stable partition helper\n\nWrite a Python function partition_even(values) returning two new lists: even integers first and odd integers second. Preserve order within each list and do not mutate values. Provide tests for negative integers, repeated values and empty input. Return the complete function separately from the explanation, with no claim that tests have been executed.A complete function, tests for the named cases and a brief order-preservation explanation.Check that each input occurrence appears exactly once in the appropriate result list and that source order is retained.