Qwen3-Next-Schwerpunkte: direkte Textanweisungen
Qwen3-Next-80B-A3B-Instruct ist die anweisungsorientierte Non-Thinking-Textedition von Qwen3-Next. Sie nimmt Text entgegen und liefert Text, darunter Erklärungen, Codevorschläge und gewünschte Dokumentartefakte. Sie erzeugt keine ausdrücklichen Thinking-Blöcke. Halten Sie sie von der Thinking-Edition und dem auf Programmierung spezialisierten Qwen3-Coder-Next getrennt; gemeinsame Familienarchitektur macht ihre Antwortverträge nicht austauschbar.
Die Familie führt hybride Aufmerksamkeit aus Gated DeltaNet und Gated Attention, stark dünn besetzte Experten, Stabilitätsoptimierungen einschliesslich nullzentrierter Layer-Normalisierung mit Gewichtsabnahme und Multi-Token Prediction ein. Diese Änderungen betreffen Darstellung und Training langer Sequenzen. Ihre Inferenzeffizienz hängt von der Implementierung ab; Architekturangaben sind deshalb keine feste Latenz- oder Durchsatzgarantie.
Modellüberblick
Der Checkpoint hat insgesamt 80 Milliarden Parameter und aktiviert drei Milliarden. Er hat 48 Schichten mit einem wiederholten Expertenmuster aus drei DeltaNet-Schichten und einer Gated-Attention-Schicht. Der Hersteller nennt 512 Experten, zehn aktivierte Experten und einen gemeinsamen Experten, mit Vortraining auf 15 Billionen Tokens und anschliessendem Nachtraining. Aktivierte Parameter sind nicht die Grösse des vollständigen Checkpoints.
Der native Kontext beträgt 262’144 Tokens mit dokumentierter Erweiterung auf 1’010’000. Die Bereitstellungsbeispiele des Herstellers erlauben einen kleineren Kontext wie 32’768, wenn Ressourcenbeschränkungen die grössere Einstellung verhindern. Text, Gesprächsverlauf, Werkzeugbeobachtungen und erzeugter Inhalt teilen das konfigurierte Sequenzbudget. Die Erweiterung ist ein zusätzlicher Konfigurationsweg, keine standardmässig unbegrenzte Eingabe.
Nutzung der Instruct-Schnittstelle
Dieses Modell unterstützt nur den anweisungsorientierten Non-Thinking-Modus. Es kann einen Algorithmus erklären, Berechnungen zeigen oder eine Schlussfolgerung in gewöhnlichem Text begründen, ohne einen gesonderten Thinking-Block zu erzeugen. Verlangen Sie Format und Grenzen des Artefakts: eine vollständige Funktion, einen knappen Bericht, eine Belegtabelle oder eine Antwort mit unterstützenden Schritten. Die Anforderung einer langen Erklärung macht es nicht zum separat benannten Thinking-Checkpoint.
Bewahren Sie für eine Dokumentaufgabe Abschnittskennungen und definieren Sie die vom Bericht zu beantwortenden Fragen. Geben Sie für Code eine relevante Funktion oder ein relevantes Modul, Eingabebeschränkungen und erwartete Ausgabe vor. Geben Sie für Mathematik die vollständige Aufgabenstellung vor und verlangen Sie ein abgegrenztes endgültiges Ergebnis. Vergleichen Sie zurückgegebene Berechnungen, Code oder Erklärung mit den gelieferten Bedingungen und tatsächlichen Ergebnissen.
Implementierung und Werkzeuge
Der Hersteller dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent für Vorlagen und Parsing mit konfigurierten oder über MCP verbundenen Werkzeugen. Ein verbundener Ablauf kann Abruf, Inspektion oder zulässige Ausführung bereitstellen und tatsächliche Beobachtungen zurückgeben. Nennen Sie Werkzeuge, zulässige Handlungen und sichtbare Abschlussbedingungen und lassen Sie den endgültigen Bericht anschliessend Vorschläge von tatsächlich zurückgegebenen Ergebnissen trennen.
Multi-Token Prediction gehört zum Training; seine Nutzung bei Inferenz hängt jedoch von der Implementierung ab und ist nicht allgemein in jedem leichtgewichtigen Ablauf verfügbar. Eine Vorlage oder Architekturfunktion belegt nicht selbst Zugriff auf aktuelle Quellen, Dateien oder eine Codeumgebung. Bewahren Sie das genaue Modell und das von der ausgewählten Schnittstelle verwendete Gesprächsformat.
Extrem lange Texte
Der Hersteller validiert ungefähr eine Million Kontexttokens mit YaRN und gibt einen Ansatz mit Faktor vier auf Grundlage von 262’144 nativen Positionen an. Für Aufgaben mit 524’288 Tokens schlägt er Faktor zwei vor. Statische Skalierung kann die Leistung bei kürzeren Texten senken; die Konfiguration sollte deshalb dem tatsächlichen Bedarf an längeren Eingaben folgen.
Gliedern Sie langes Material nach Dokument, Codepfad oder Abschnitt und entfernen Sie sachfremde Wiederholungen. Verlangen Sie, dass die Antwort unterstützende Passagen oder Bedingungen benennt. Reservieren Sie Platz für die Antwort, statt die grösste Kontextzahl als vollständige Erinnerung an jedes gelieferte Detail zu behandeln. Die veröffentlichte Erweiterungszahl von 1’010’000 und die Validierung um eine Million gelten weiterhin für den Langkontextablauf des Herstellers.
Generierungsanleitung
Best Practices empfehlen temperature 0,7, top_p 0,8, top_k 20 und min_p 0. Wo unterstützt, kann eine Presence Penalty zwischen null und zwei wiederholten Text verringern; höhere Werte können jedoch Sprachen mischen oder die Qualität leicht senken. Der Hersteller empfiehlt 16’384 Tokens Ausgabelänge für die meisten Anfragen. Das ist ein empfohlenes Generierungsbudget, kein eigenständiges hartes Maximum; es sollte nicht die längeren Budgets der Thinking-Edition übernehmen.
Legen Sie die Ergebnisform ausdrücklich fest, etwa einen mathematischen Begrenzer oder ein Antwortfeld. Halten Sie das endgültige Artefakt leicht überprüfbar und prüfen Sie Berechnungen, Zitate oder Code anhand der Quelle. Diese reine Textedition nimmt Bilder, Audio oder Video nicht als eigene Eingabe entgegen; solche Materialien benötigen deshalb eine geeignete gesonderte Darstellung, bevor sie die Aufgabe unterstützen können.
Praktisches Ergebnis
Die nützliche Ausgabe ist ein konkretes Textartefakt auf Grundlage der gelieferten Bedingungen: eine Dokumenterklärung, ein Codevorschlag oder eine direkte Antwort mit erforderlichen unterstützenden Details. Langer Kontext und Werkzeugaufrufe können mehr Belege durch einen Ablauf führen, während der Non-Thinking-Vertrag den Ausgabestil dieser genauen Edition klar hält. Prüfen Sie das Ergebnis in der tatsächlichen Aufgabenumgebung, statt Richtigkeit aus Länge oder selbstsicherer Formulierung abzuleiten.
", "aboutText": "Qwen3-Next-Schwerpunkte: direkte Textanweisungen\n\nQwen3-Next-80B-A3B-Instruct ist die anweisungsorientierte Non-Thinking-Textedition von Qwen3-Next. Sie nimmt Text entgegen und liefert Text, darunter Erklärungen, Codevorschläge und gewünschte Dokumentartefakte. Sie erzeugt keine ausdrücklichen Thinking-Blöcke. Halten Sie sie von der Thinking-Edition und dem auf Programmierung spezialisierten Qwen3-Coder-Next getrennt; gemeinsame Familienarchitektur macht ihre Antwortverträge nicht austauschbar.\n\nDie Familie führt hybride Aufmerksamkeit aus Gated DeltaNet und Gated Attention, stark dünn besetzte Experten, Stabilitätsoptimierungen einschliesslich nullzentrierter Layer-Normalisierung mit Gewichtsabnahme und Multi-Token Prediction ein. Diese Änderungen betreffen Darstellung und Training langer Sequenzen. Ihre Inferenzeffizienz hängt von der Implementierung ab; Architekturangaben sind deshalb keine feste Latenz- oder Durchsatzgarantie.\n\nModellüberblick\n\nDer Checkpoint hat insgesamt 80 Milliarden Parameter und aktiviert drei Milliarden. Er hat 48 Schichten mit einem wiederholten Expertenmuster aus drei DeltaNet-Schichten und einer Gated-Attention-Schicht. Der Hersteller nennt 512 Experten, zehn aktivierte Experten und einen gemeinsamen Experten, mit Vortraining auf 15 Billionen Tokens und anschliessendem Nachtraining. Aktivierte Parameter sind nicht die Grösse des vollständigen Checkpoints.\n\nDer native Kontext beträgt 262’144 Tokens mit dokumentierter Erweiterung auf 1’010’000. Die Bereitstellungsbeispiele des Herstellers erlauben einen kleineren Kontext wie 32’768, wenn Ressourcenbeschränkungen die grössere Einstellung verhindern. Text, Gesprächsverlauf, Werkzeugbeobachtungen und erzeugter Inhalt teilen das konfigurierte Sequenzbudget. Die Erweiterung ist ein zusätzlicher Konfigurationsweg, keine standardmässig unbegrenzte Eingabe.\n\nNutzung der Instruct-Schnittstelle\n\nDieses Modell unterstützt nur den anweisungsorientierten Non-Thinking-Modus. Es kann einen Algorithmus erklären, Berechnungen zeigen oder eine Schlussfolgerung in gewöhnlichem Text begründen, ohne einen gesonderten Thinking-Block zu erzeugen. Verlangen Sie Format und Grenzen des Artefakts: eine vollständige Funktion, einen knappen Bericht, eine Belegtabelle oder eine Antwort mit unterstützenden Schritten. Die Anforderung einer langen Erklärung macht es nicht zum separat benannten Thinking-Checkpoint.\n\nBewahren Sie für eine Dokumentaufgabe Abschnittskennungen und definieren Sie die vom Bericht zu beantwortenden Fragen. Geben Sie für Code eine relevante Funktion oder ein relevantes Modul, Eingabebeschränkungen und erwartete Ausgabe vor. Geben Sie für Mathematik die vollständige Aufgabenstellung vor und verlangen Sie ein abgegrenztes endgültiges Ergebnis. Vergleichen Sie zurückgegebene Berechnungen, Code oder Erklärung mit den gelieferten Bedingungen und tatsächlichen Ergebnissen.\n\nImplementierung und Werkzeuge\n\nDer Hersteller dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent für Vorlagen und Parsing mit konfigurierten oder über MCP verbundenen Werkzeugen. Ein verbundener Ablauf kann Abruf, Inspektion oder zulässige Ausführung bereitstellen und tatsächliche Beobachtungen zurückgeben. Nennen Sie Werkzeuge, zulässige Handlungen und sichtbare Abschlussbedingungen und lassen Sie den endgültigen Bericht anschliessend Vorschläge von tatsächlich zurückgegebenen Ergebnissen trennen.\n\nMulti-Token Prediction gehört zum Training; seine Nutzung bei Inferenz hängt jedoch von der Implementierung ab und ist nicht allgemein in jedem leichtgewichtigen Ablauf verfügbar. Eine Vorlage oder Architekturfunktion belegt nicht selbst Zugriff auf aktuelle Quellen, Dateien oder eine Codeumgebung. Bewahren Sie das genaue Modell und das von der ausgewählten Schnittstelle verwendete Gesprächsformat.\n\nExtrem lange Texte\n\nDer Hersteller validiert ungefähr eine Million Kontexttokens mit YaRN und gibt einen Ansatz mit Faktor vier auf Grundlage von 262’144 nativen Positionen an. Für Aufgaben mit 524’288 Tokens schlägt er Faktor zwei vor. Statische Skalierung kann die Leistung bei kürzeren Texten senken; die Konfiguration sollte deshalb dem tatsächlichen Bedarf an längeren Eingaben folgen.\n\nGliedern Sie langes Material nach Dokument, Codepfad oder Abschnitt und entfernen Sie sachfremde Wiederholungen. Verlangen Sie, dass die Antwort unterstützende Passagen oder Bedingungen benennt. Reservieren Sie Platz für die Antwort, statt die grösste Kontextzahl als vollständige Erinnerung an jedes gelieferte Detail zu behandeln. Die veröffentlichte Erweiterungszahl von 1’010’000 und die Validierung um eine Million gelten weiterhin für den Langkontextablauf des Herstellers.\n\nGenerierungsanleitung\n\nBest Practices empfehlen temperature 0,7, top_p 0,8, top_k 20 und min_p 0. Wo unterstützt, kann eine Presence Penalty zwischen null und zwei wiederholten Text verringern; höhere Werte können jedoch Sprachen mischen oder die Qualität leicht senken. Der Hersteller empfiehlt 16’384 Tokens Ausgabelänge für die meisten Anfragen. Das ist ein empfohlenes Generierungsbudget, kein eigenständiges hartes Maximum; es sollte nicht die längeren Budgets der Thinking-Edition übernehmen.\n\nLegen Sie die Ergebnisform ausdrücklich fest, etwa einen mathematischen Begrenzer oder ein Antwortfeld. Halten Sie das endgültige Artefakt leicht überprüfbar und prüfen Sie Berechnungen, Zitate oder Code anhand der Quelle. Diese reine Textedition nimmt Bilder, Audio oder Video nicht als eigene Eingabe entgegen; solche Materialien benötigen deshalb eine geeignete gesonderte Darstellung, bevor sie die Aufgabe unterstützen können.\n\nPraktisches Ergebnis\n\nDie nützliche Ausgabe ist ein konkretes Textartefakt auf Grundlage der gelieferten Bedingungen: eine Dokumenterklärung, ein Codevorschlag oder eine direkte Antwort mit erforderlichen unterstützenden Details. Langer Kontext und Werkzeugaufrufe können mehr Belege durch einen Ablauf führen, während der Non-Thinking-Vertrag den Ausgabestil dieser genauen Edition klar hält. Prüfen Sie das Ergebnis in der tatsächlichen Aufgabenumgebung, statt Richtigkeit aus Länge oder selbstsicherer Formulierung abzuleiten.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Explain a section-specific decision\n\nAnswer only from these procedure sections. Section 2: standard purchases need a manager's approval. Section 4: emergency safety purchases may proceed first, but must be reported to that manager within one day. Case: a broken emergency exit light needs replacement today. Give a concise recommendation with section references and identify the follow-up obligation. Do not invent an approval already granted.A direct recommendation with supporting sections and the one-day reporting obligation.The emergency exception retains its reporting condition and is not generalised to all purchases.qwen/qwen3-next-80b-a3b-instructQwen3-Next-80B-A3B-Instruct ist Qwens Non-Thinking-Textedition mit insgesamt 80 Milliarden und 3 Milliarden aktivierten Parametern. Sie verbindet hybride Aufmerksamkeit, dünn besetzte Experten und Werkzeugaufrufe mit einem nativen Kontext von 262’144 Tokens, der sich per Konfiguration auf 1’010’000 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-Next-Schwerpunkte: direkte Textanweisungen
Qwen3-Next-80B-A3B-Instruct ist die anweisungsorientierte Non-Thinking-Textedition von Qwen3-Next. Sie nimmt Text entgegen und liefert Text, darunter Erklärungen, Codevorschläge und gewünschte Dokumentartefakte. Sie erzeugt keine ausdrücklichen Thinking-Blöcke. Halten Sie sie von der Thinking-Edition und dem auf Programmierung spezialisierten Qwen3-Coder-Next getrennt; gemeinsame Familienarchitektur macht ihre Antwortverträge nicht austauschbar.
Die Familie führt hybride Aufmerksamkeit aus Gated DeltaNet und Gated Attention, stark dünn besetzte Experten, Stabilitätsoptimierungen einschliesslich nullzentrierter Layer-Normalisierung mit Gewichtsabnahme und Multi-Token Prediction ein. Diese Änderungen betreffen Darstellung und Training langer Sequenzen. Ihre Inferenzeffizienz hängt von der Implementierung ab; Architekturangaben sind deshalb keine feste Latenz- oder Durchsatzgarantie.
Modellüberblick
Der Checkpoint hat insgesamt 80 Milliarden Parameter und aktiviert drei Milliarden. Er hat 48 Schichten mit einem wiederholten Expertenmuster aus drei DeltaNet-Schichten und einer Gated-Attention-Schicht. Der Hersteller nennt 512 Experten, zehn aktivierte Experten und einen gemeinsamen Experten, mit Vortraining auf 15 Billionen Tokens und anschliessendem Nachtraining. Aktivierte Parameter sind nicht die Grösse des vollständigen Checkpoints.
Der native Kontext beträgt 262’144 Tokens mit dokumentierter Erweiterung auf 1’010’000. Die Bereitstellungsbeispiele des Herstellers erlauben einen kleineren Kontext wie 32’768, wenn Ressourcenbeschränkungen die grössere Einstellung verhindern. Text, Gesprächsverlauf, Werkzeugbeobachtungen und erzeugter Inhalt teilen das konfigurierte Sequenzbudget. Die Erweiterung ist ein zusätzlicher Konfigurationsweg, keine standardmässig unbegrenzte Eingabe.
Nutzung der Instruct-Schnittstelle
Dieses Modell unterstützt nur den anweisungsorientierten Non-Thinking-Modus. Es kann einen Algorithmus erklären, Berechnungen zeigen oder eine Schlussfolgerung in gewöhnlichem Text begründen, ohne einen gesonderten Thinking-Block zu erzeugen. Verlangen Sie Format und Grenzen des Artefakts: eine vollständige Funktion, einen knappen Bericht, eine Belegtabelle oder eine Antwort mit unterstützenden Schritten. Die Anforderung einer langen Erklärung macht es nicht zum separat benannten Thinking-Checkpoint.
Bewahren Sie für eine Dokumentaufgabe Abschnittskennungen und definieren Sie die vom Bericht zu beantwortenden Fragen. Geben Sie für Code eine relevante Funktion oder ein relevantes Modul, Eingabebeschränkungen und erwartete Ausgabe vor. Geben Sie für Mathematik die vollständige Aufgabenstellung vor und verlangen Sie ein abgegrenztes endgültiges Ergebnis. Vergleichen Sie zurückgegebene Berechnungen, Code oder Erklärung mit den gelieferten Bedingungen und tatsächlichen Ergebnissen.
Implementierung und Werkzeuge
Der Hersteller dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent für Vorlagen und Parsing mit konfigurierten oder über MCP verbundenen Werkzeugen. Ein verbundener Ablauf kann Abruf, Inspektion oder zulässige Ausführung bereitstellen und tatsächliche Beobachtungen zurückgeben. Nennen Sie Werkzeuge, zulässige Handlungen und sichtbare Abschlussbedingungen und lassen Sie den endgültigen Bericht anschliessend Vorschläge von tatsächlich zurückgegebenen Ergebnissen trennen.
Multi-Token Prediction gehört zum Training; seine Nutzung bei Inferenz hängt jedoch von der Implementierung ab und ist nicht allgemein in jedem leichtgewichtigen Ablauf verfügbar. Eine Vorlage oder Architekturfunktion belegt nicht selbst Zugriff auf aktuelle Quellen, Dateien oder eine Codeumgebung. Bewahren Sie das genaue Modell und das von der ausgewählten Schnittstelle verwendete Gesprächsformat.
Extrem lange Texte
Der Hersteller validiert ungefähr eine Million Kontexttokens mit YaRN und gibt einen Ansatz mit Faktor vier auf Grundlage von 262’144 nativen Positionen an. Für Aufgaben mit 524’288 Tokens schlägt er Faktor zwei vor. Statische Skalierung kann die Leistung bei kürzeren Texten senken; die Konfiguration sollte deshalb dem tatsächlichen Bedarf an längeren Eingaben folgen.
Gliedern Sie langes Material nach Dokument, Codepfad oder Abschnitt und entfernen Sie sachfremde Wiederholungen. Verlangen Sie, dass die Antwort unterstützende Passagen oder Bedingungen benennt. Reservieren Sie Platz für die Antwort, statt die grösste Kontextzahl als vollständige Erinnerung an jedes gelieferte Detail zu behandeln. Die veröffentlichte Erweiterungszahl von 1’010’000 und die Validierung um eine Million gelten weiterhin für den Langkontextablauf des Herstellers.
Generierungsanleitung
Best Practices empfehlen temperature 0,7, top_p 0,8, top_k 20 und min_p 0. Wo unterstützt, kann eine Presence Penalty zwischen null und zwei wiederholten Text verringern; höhere Werte können jedoch Sprachen mischen oder die Qualität leicht senken. Der Hersteller empfiehlt 16’384 Tokens Ausgabelänge für die meisten Anfragen. Das ist ein empfohlenes Generierungsbudget, kein eigenständiges hartes Maximum; es sollte nicht die längeren Budgets der Thinking-Edition übernehmen.
Legen Sie die Ergebnisform ausdrücklich fest, etwa einen mathematischen Begrenzer oder ein Antwortfeld. Halten Sie das endgültige Artefakt leicht überprüfbar und prüfen Sie Berechnungen, Zitate oder Code anhand der Quelle. Diese reine Textedition nimmt Bilder, Audio oder Video nicht als eigene Eingabe entgegen; solche Materialien benötigen deshalb eine geeignete gesonderte Darstellung, bevor sie die Aufgabe unterstützen können.
Praktisches Ergebnis
Die nützliche Ausgabe ist ein konkretes Textartefakt auf Grundlage der gelieferten Bedingungen: eine Dokumenterklärung, ein Codevorschlag oder eine direkte Antwort mit erforderlichen unterstützenden Details. Langer Kontext und Werkzeugaufrufe können mehr Belege durch einen Ablauf führen, während der Non-Thinking-Vertrag den Ausgabestil dieser genauen Edition klar hält. Prüfen Sie das Ergebnis in der tatsächlichen Aufgabenumgebung, statt Richtigkeit aus Länge oder selbstsicherer Formulierung abzuleiten.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-next-80b-a3b-instruct | 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 $0.000286 / 1K Tokens Ausgabe · Ausgabetoken $0.0022 / 1K Tokens Eingabe · Cache lesen $0.00014 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.000286 / 1K Tokens Ausgabe · Ausgabetoken $0.0022 / 1K Tokens Eingabe · Cache lesen $0.00014 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-next-80b-a3b-instruct", "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-next-80b-a3b-instruct',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-next-80b-a3b-instruct',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-next-80b-a3b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3-next-80b-a3b-instructQwen3-Next-80B-A3B-Instruct ist Qwens Non-Thinking-Textedition mit insgesamt 80 Milliarden und 3 Milliarden aktivierten Parametern. Sie verbindet hybride Aufmerksamkeit, dünn besetzte Experten und Werkzeugaufrufe mit einem nativen Kontext von 262’144 Tokens, der sich per Konfiguration auf 1’010’000 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-Next-Schwerpunkte: direkte Textanweisungen
Qwen3-Next-80B-A3B-Instruct ist die anweisungsorientierte Non-Thinking-Textedition von Qwen3-Next. Sie nimmt Text entgegen und liefert Text, darunter Erklärungen, Codevorschläge und gewünschte Dokumentartefakte. Sie erzeugt keine ausdrücklichen Thinking-Blöcke. Halten Sie sie von der Thinking-Edition und dem auf Programmierung spezialisierten Qwen3-Coder-Next getrennt; gemeinsame Familienarchitektur macht ihre Antwortverträge nicht austauschbar.
Die Familie führt hybride Aufmerksamkeit aus Gated DeltaNet und Gated Attention, stark dünn besetzte Experten, Stabilitätsoptimierungen einschliesslich nullzentrierter Layer-Normalisierung mit Gewichtsabnahme und Multi-Token Prediction ein. Diese Änderungen betreffen Darstellung und Training langer Sequenzen. Ihre Inferenzeffizienz hängt von der Implementierung ab; Architekturangaben sind deshalb keine feste Latenz- oder Durchsatzgarantie.
Modellüberblick
Der Checkpoint hat insgesamt 80 Milliarden Parameter und aktiviert drei Milliarden. Er hat 48 Schichten mit einem wiederholten Expertenmuster aus drei DeltaNet-Schichten und einer Gated-Attention-Schicht. Der Hersteller nennt 512 Experten, zehn aktivierte Experten und einen gemeinsamen Experten, mit Vortraining auf 15 Billionen Tokens und anschliessendem Nachtraining. Aktivierte Parameter sind nicht die Grösse des vollständigen Checkpoints.
Der native Kontext beträgt 262’144 Tokens mit dokumentierter Erweiterung auf 1’010’000. Die Bereitstellungsbeispiele des Herstellers erlauben einen kleineren Kontext wie 32’768, wenn Ressourcenbeschränkungen die grössere Einstellung verhindern. Text, Gesprächsverlauf, Werkzeugbeobachtungen und erzeugter Inhalt teilen das konfigurierte Sequenzbudget. Die Erweiterung ist ein zusätzlicher Konfigurationsweg, keine standardmässig unbegrenzte Eingabe.
Nutzung der Instruct-Schnittstelle
Dieses Modell unterstützt nur den anweisungsorientierten Non-Thinking-Modus. Es kann einen Algorithmus erklären, Berechnungen zeigen oder eine Schlussfolgerung in gewöhnlichem Text begründen, ohne einen gesonderten Thinking-Block zu erzeugen. Verlangen Sie Format und Grenzen des Artefakts: eine vollständige Funktion, einen knappen Bericht, eine Belegtabelle oder eine Antwort mit unterstützenden Schritten. Die Anforderung einer langen Erklärung macht es nicht zum separat benannten Thinking-Checkpoint.
Bewahren Sie für eine Dokumentaufgabe Abschnittskennungen und definieren Sie die vom Bericht zu beantwortenden Fragen. Geben Sie für Code eine relevante Funktion oder ein relevantes Modul, Eingabebeschränkungen und erwartete Ausgabe vor. Geben Sie für Mathematik die vollständige Aufgabenstellung vor und verlangen Sie ein abgegrenztes endgültiges Ergebnis. Vergleichen Sie zurückgegebene Berechnungen, Code oder Erklärung mit den gelieferten Bedingungen und tatsächlichen Ergebnissen.
Implementierung und Werkzeuge
Der Hersteller dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent für Vorlagen und Parsing mit konfigurierten oder über MCP verbundenen Werkzeugen. Ein verbundener Ablauf kann Abruf, Inspektion oder zulässige Ausführung bereitstellen und tatsächliche Beobachtungen zurückgeben. Nennen Sie Werkzeuge, zulässige Handlungen und sichtbare Abschlussbedingungen und lassen Sie den endgültigen Bericht anschliessend Vorschläge von tatsächlich zurückgegebenen Ergebnissen trennen.
Multi-Token Prediction gehört zum Training; seine Nutzung bei Inferenz hängt jedoch von der Implementierung ab und ist nicht allgemein in jedem leichtgewichtigen Ablauf verfügbar. Eine Vorlage oder Architekturfunktion belegt nicht selbst Zugriff auf aktuelle Quellen, Dateien oder eine Codeumgebung. Bewahren Sie das genaue Modell und das von der ausgewählten Schnittstelle verwendete Gesprächsformat.
Extrem lange Texte
Der Hersteller validiert ungefähr eine Million Kontexttokens mit YaRN und gibt einen Ansatz mit Faktor vier auf Grundlage von 262’144 nativen Positionen an. Für Aufgaben mit 524’288 Tokens schlägt er Faktor zwei vor. Statische Skalierung kann die Leistung bei kürzeren Texten senken; die Konfiguration sollte deshalb dem tatsächlichen Bedarf an längeren Eingaben folgen.
Gliedern Sie langes Material nach Dokument, Codepfad oder Abschnitt und entfernen Sie sachfremde Wiederholungen. Verlangen Sie, dass die Antwort unterstützende Passagen oder Bedingungen benennt. Reservieren Sie Platz für die Antwort, statt die grösste Kontextzahl als vollständige Erinnerung an jedes gelieferte Detail zu behandeln. Die veröffentlichte Erweiterungszahl von 1’010’000 und die Validierung um eine Million gelten weiterhin für den Langkontextablauf des Herstellers.
Generierungsanleitung
Best Practices empfehlen temperature 0,7, top_p 0,8, top_k 20 und min_p 0. Wo unterstützt, kann eine Presence Penalty zwischen null und zwei wiederholten Text verringern; höhere Werte können jedoch Sprachen mischen oder die Qualität leicht senken. Der Hersteller empfiehlt 16’384 Tokens Ausgabelänge für die meisten Anfragen. Das ist ein empfohlenes Generierungsbudget, kein eigenständiges hartes Maximum; es sollte nicht die längeren Budgets der Thinking-Edition übernehmen.
Legen Sie die Ergebnisform ausdrücklich fest, etwa einen mathematischen Begrenzer oder ein Antwortfeld. Halten Sie das endgültige Artefakt leicht überprüfbar und prüfen Sie Berechnungen, Zitate oder Code anhand der Quelle. Diese reine Textedition nimmt Bilder, Audio oder Video nicht als eigene Eingabe entgegen; solche Materialien benötigen deshalb eine geeignete gesonderte Darstellung, bevor sie die Aufgabe unterstützen können.
Praktisches Ergebnis
Die nützliche Ausgabe ist ein konkretes Textartefakt auf Grundlage der gelieferten Bedingungen: eine Dokumenterklärung, ein Codevorschlag oder eine direkte Antwort mit erforderlichen unterstützenden Details. Langer Kontext und Werkzeugaufrufe können mehr Belege durch einen Ablauf führen, während der Non-Thinking-Vertrag den Ausgabestil dieser genauen Edition klar hält. Prüfen Sie das Ergebnis in der tatsächlichen Aufgabenumgebung, statt Richtigkeit aus Länge oder selbstsicherer Formulierung abzuleiten.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-next-80b-a3b-instruct | 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 $0.000286 / 1K Tokens Ausgabe · Ausgabetoken $0.0022 / 1K Tokens Eingabe · Cache lesen $0.00014 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.000286 / 1K Tokens Ausgabe · Ausgabetoken $0.0022 / 1K Tokens Eingabe · Cache lesen $0.00014 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3-next-80b-a3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-next-80b-a3b-instruct', '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-next-80b-a3b-instruct', '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-next-80b-a3b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Explain a section-specific decision\n\nAnswer only from these procedure sections. Section 2: standard purchases need a manager's approval. Section 4: emergency safety purchases may proceed first, but must be reported to that manager within one day. Case: a broken emergency exit light needs replacement today. Give a concise recommendation with section references and identify the follow-up obligation. Do not invent an approval already granted.A direct recommendation with supporting sections and the one-day reporting obligation.The emergency exception retains its reporting condition and is not generalised to all purchases.