Qwen3-Next-Schwerpunkte: komplexes textuelles Schlussfolgern
Qwen3-Next-80B-A3B-Thinking ist die reine Thinking-Textedition von Qwen3-Next. Der Hersteller empfiehlt sie für hochkomplexe Schlussfolgerungsaufgaben und weist darauf hin, dass Thinking länger als bei früheren Modellen sein kann. Sie nimmt Text entgegen und liefert Text, darunter eine erläuterte Antwort oder einen Codevorschlag. Halten Sie sie von Qwen3-Next-80B-A3B-Instruct und Qwen3-Coder-Next getrennt, deren Non-Thinking-Verträge sich unterscheiden.
Die Familie führt hybride Aufmerksamkeit aus Gated DeltaNet und Gated Attention, stark dünn besetzte Experten, Stabilitätstechniken wie nullzentrierte Layer-Normalisierung mit Gewichtsabnahme und Multi-Token Prediction ein. Qwen beschreibt ausserdem die Stabilisierung von Reinforcement Learning durch GSPO. Dies sind Trainings- und Architekturmerkmale; Effizienzgewinne hängen von der Implementierung ab und ergeben keine universelle Antwortzeit.
Modellüberblick
Das Modell hat insgesamt 80 Milliarden Parameter und aktiviert drei Milliarden. Es hat 48 Schichten in einem 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. Ausgangstext, historische Nachrichten, Werkzeugbeobachtungen, Schlussfolgern und endgültige Ausgabe teilen das konfigurierte Sequenzbudget. Für komplexes Thinking empfiehlt der Hersteller nach Möglichkeit einen konfigurierten Kontext grösser als 131’072, auch wenn ein kleineres Fenster den Speicherdruck senken würde.
Nutzung der reinen Thinking-Schnittstelle
Die standardmässige Chatvorlage enthält bereits die öffnende Thinking-Markierung. Eine zurückgegebene Sequenz kann deshalb die schliessende Markierung enthalten, ohne die öffnende zu wiederholen. Das ist normale Formatierung im Ansatz des Herstellers, kein Beleg für fehlendes Schlussfolgern. Das Modell unterstützt nur Thinking; die Anforderung einer knappen endgültigen Antwort macht es nicht zu einer Non-Thinking-Edition.
Geben Sie für ein mathematisches oder logisches Problem vollständige Aufgabenstellung, Definitionen, Einheiten und zulässige Annahmen vor. Verlangen Sie eine klar abgegrenzte endgültige Antwort mit den zur Prüfung nötigen unterstützenden Schritten. Geben Sie für Codeschlussfolgern relevante Funktion, Eingabe und beabsichtigtes Verhalten vor und verlangen Sie anschliessend einen erläuterten Vorschlag. Vergleichen Sie unterstützende Berechnungen oder vorgeschlagenen Patch mit den gelieferten Bedingungen und tatsächlichen Ergebnissen.
Implementierung und Werkzeuge
Die Herstellerbeispiele unterstützen Entwicklungs- und Werkzeugabläufe und empfehlen Qwen-Agent für Werkzeugvorlagen und Parsing mit konfigurierten oder über MCP verbundenen Werkzeugen. Definieren Sie zulässige Werkzeuge, Aufgabenziel und beobachtbare Abschlussbedingung. Die Anwendung führt externe Handlungen aus und gibt tatsächliche Beobachtungen zurück; das Modell kann diese Rückmeldung dann in seiner nächsten Antwort verwenden.
Multi-Token Prediction gehört zum Training; seine Inferenznutzung hängt jedoch von der Implementierung ab und ist nicht allgemein in jedem leichtgewichtigen Ablauf verfügbar. Bewahren Sie diese Unterscheidung bei der Beurteilung einer Bereitstellung. Werkzeug- oder Architekturfähigkeit allein belegt keinen Zugriff auf Dateien, aktuelle Quellen oder eine Ausführungsumgebung über eine andere Anwendung.
Extrem lange Texte
Die dokumentierte Erweiterung verwendet YaRN. Der Hersteller validiert ungefähr eine Million Kontexttokens und liefert einen Ansatz mit Faktor vier auf Grundlage der nativen 262’144 Positionen; für Aufgaben mit 524’288 Tokens schlägt er Faktor zwei vor. Statische Skalierung kann die Leistung bei kürzeren Texten beeinflussen; sie sollte daher dem tatsächlichen Bedarf an längeren Eingaben folgen.
Gliedern Sie eine grosse Eingabe mit Dokumentgrenzen und Code- oder Abschnittskennungen. Nennen Sie Frage und erwartetes Artefakt, damit das Modell relevante Belege verbinden kann, statt das gesamte Fenster als Ersatz für eine klare Aufgabe zu behandeln. Reservieren Sie Platz für möglicherweise langes Schlussfolgern und das endgültige Ergebnis.
Generierungsanleitung
Best Practices empfehlen temperature 0,6, top_p 0,95, 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. Qwen empfiehlt 32’768 Tokens Generierungsbudget für die meisten Fragen und 81’920 für ungewöhnlich komplexe Mathematik- oder Programmieraufgaben. Das sind Empfehlungen, keine eigenständigen harten Ausgabegrenzen.
Legen Sie das Format der endgültigen Antwort ausdrücklich fest, etwa ein abgegrenztes mathematisches Ergebnis oder ein Antwortfeld. Der Hersteller empfiehlt, endgültige Ausgaben ohne Thinking-Inhalt in historischen Assistentennachrichten zu bewahren und die Vorlage dieses Checkpoints zu befolgen. Optionen späterer Modelle zum Bewahren historischer Schlussfolgerungen sollten nicht automatisch übernommen werden.
Wesentliche Grenzen
Dies ist ein reines Textmodell. Bilder, Audio oder Video benötigen eine geeignete gesonderte Darstellung, bevor sie in diesem Ablauf als Belege dienen können. Langes Thinking und Kontext sind endliche Ressourcen; ausführliches Schlussfolgern beweist nicht unabhängig ein korrektes Ergebnis. Prüfen Sie Annahmen, Berechnungen und generierten Code anhand der gelieferten Quelle. Das nützliche Ergebnis ist eine überprüfbare Antwort oder ein Artefakt mit sichtbaren Belegen und bewahrter reiner Thinking-Kennung.
", "aboutText": "Qwen3-Next-Schwerpunkte: komplexes textuelles Schlussfolgern\n\nQwen3-Next-80B-A3B-Thinking ist die reine Thinking-Textedition von Qwen3-Next. Der Hersteller empfiehlt sie für hochkomplexe Schlussfolgerungsaufgaben und weist darauf hin, dass Thinking länger als bei früheren Modellen sein kann. Sie nimmt Text entgegen und liefert Text, darunter eine erläuterte Antwort oder einen Codevorschlag. Halten Sie sie von Qwen3-Next-80B-A3B-Instruct und Qwen3-Coder-Next getrennt, deren Non-Thinking-Verträge sich unterscheiden.\n\nDie Familie führt hybride Aufmerksamkeit aus Gated DeltaNet und Gated Attention, stark dünn besetzte Experten, Stabilitätstechniken wie nullzentrierte Layer-Normalisierung mit Gewichtsabnahme und Multi-Token Prediction ein. Qwen beschreibt ausserdem die Stabilisierung von Reinforcement Learning durch GSPO. Dies sind Trainings- und Architekturmerkmale; Effizienzgewinne hängen von der Implementierung ab und ergeben keine universelle Antwortzeit.\n\nModellüberblick\n\nDas Modell hat insgesamt 80 Milliarden Parameter und aktiviert drei Milliarden. Es hat 48 Schichten in einem 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. Ausgangstext, historische Nachrichten, Werkzeugbeobachtungen, Schlussfolgern und endgültige Ausgabe teilen das konfigurierte Sequenzbudget. Für komplexes Thinking empfiehlt der Hersteller nach Möglichkeit einen konfigurierten Kontext grösser als 131’072, auch wenn ein kleineres Fenster den Speicherdruck senken würde.\n\nNutzung der reinen Thinking-Schnittstelle\n\nDie standardmässige Chatvorlage enthält bereits die öffnende Thinking-Markierung. Eine zurückgegebene Sequenz kann deshalb die schliessende Markierung enthalten, ohne die öffnende zu wiederholen. Das ist normale Formatierung im Ansatz des Herstellers, kein Beleg für fehlendes Schlussfolgern. Das Modell unterstützt nur Thinking; die Anforderung einer knappen endgültigen Antwort macht es nicht zu einer Non-Thinking-Edition.\n\nGeben Sie für ein mathematisches oder logisches Problem vollständige Aufgabenstellung, Definitionen, Einheiten und zulässige Annahmen vor. Verlangen Sie eine klar abgegrenzte endgültige Antwort mit den zur Prüfung nötigen unterstützenden Schritten. Geben Sie für Codeschlussfolgern relevante Funktion, Eingabe und beabsichtigtes Verhalten vor und verlangen Sie anschliessend einen erläuterten Vorschlag. Vergleichen Sie unterstützende Berechnungen oder vorgeschlagenen Patch mit den gelieferten Bedingungen und tatsächlichen Ergebnissen.\n\nImplementierung und Werkzeuge\n\nDie Herstellerbeispiele unterstützen Entwicklungs- und Werkzeugabläufe und empfehlen Qwen-Agent für Werkzeugvorlagen und Parsing mit konfigurierten oder über MCP verbundenen Werkzeugen. Definieren Sie zulässige Werkzeuge, Aufgabenziel und beobachtbare Abschlussbedingung. Die Anwendung führt externe Handlungen aus und gibt tatsächliche Beobachtungen zurück; das Modell kann diese Rückmeldung dann in seiner nächsten Antwort verwenden.\n\nMulti-Token Prediction gehört zum Training; seine Inferenznutzung hängt jedoch von der Implementierung ab und ist nicht allgemein in jedem leichtgewichtigen Ablauf verfügbar. Bewahren Sie diese Unterscheidung bei der Beurteilung einer Bereitstellung. Werkzeug- oder Architekturfähigkeit allein belegt keinen Zugriff auf Dateien, aktuelle Quellen oder eine Ausführungsumgebung über eine andere Anwendung.\n\nExtrem lange Texte\n\nDie dokumentierte Erweiterung verwendet YaRN. Der Hersteller validiert ungefähr eine Million Kontexttokens und liefert einen Ansatz mit Faktor vier auf Grundlage der nativen 262’144 Positionen; für Aufgaben mit 524’288 Tokens schlägt er Faktor zwei vor. Statische Skalierung kann die Leistung bei kürzeren Texten beeinflussen; sie sollte daher dem tatsächlichen Bedarf an längeren Eingaben folgen.\n\nGliedern Sie eine grosse Eingabe mit Dokumentgrenzen und Code- oder Abschnittskennungen. Nennen Sie Frage und erwartetes Artefakt, damit das Modell relevante Belege verbinden kann, statt das gesamte Fenster als Ersatz für eine klare Aufgabe zu behandeln. Reservieren Sie Platz für möglicherweise langes Schlussfolgern und das endgültige Ergebnis.\n\nGenerierungsanleitung\n\nBest Practices empfehlen temperature 0,6, top_p 0,95, 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. Qwen empfiehlt 32’768 Tokens Generierungsbudget für die meisten Fragen und 81’920 für ungewöhnlich komplexe Mathematik- oder Programmieraufgaben. Das sind Empfehlungen, keine eigenständigen harten Ausgabegrenzen.\n\nLegen Sie das Format der endgültigen Antwort ausdrücklich fest, etwa ein abgegrenztes mathematisches Ergebnis oder ein Antwortfeld. Der Hersteller empfiehlt, endgültige Ausgaben ohne Thinking-Inhalt in historischen Assistentennachrichten zu bewahren und die Vorlage dieses Checkpoints zu befolgen. Optionen späterer Modelle zum Bewahren historischer Schlussfolgerungen sollten nicht automatisch übernommen werden.\n\nWesentliche Grenzen\n\nDies ist ein reines Textmodell. Bilder, Audio oder Video benötigen eine geeignete gesonderte Darstellung, bevor sie in diesem Ablauf als Belege dienen können. Langes Thinking und Kontext sind endliche Ressourcen; ausführliches Schlussfolgern beweist nicht unabhängig ein korrektes Ergebnis. Prüfen Sie Annahmen, Berechnungen und generierten Code anhand der gelieferten Quelle. Das nützliche Ergebnis ist eine überprüfbare Antwort oder ein Artefakt mit sichtbaren Belegen und bewahrter reiner Thinking-Kennung.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Identify what a logic puzzle actually determines\n\nExactly one of A, B and C took a key, and exactly one statement is true. A says, 'B took it.' B says, 'C took it.' C says, 'I did not take it.' Determine every possible culprit consistent with these premises. Show a truth table and state whether the culprit is uniquely determined.A three-case truth table and the complete set of consistent culprits with a uniqueness conclusion.The table checks exactly one true statement in each candidate case and preserves multiple solutions if the premises allow them.qwen/qwen3-next-80b-a3b-thinkingQwen3-Next-80B-A3B-Thinking ist Qwens Textmodell für Schlussfolgern mit insgesamt 80 Milliarden und 3 Milliarden aktivierten Parametern. Es nutzt ausschliesslich Thinking, hybride Aufmerksamkeit und dünn besetzte Experten für komplexe Aufgaben mit nativem Kontext von 262’144 Tokens und bedingter Erweiterung auf 1’010’000.
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: komplexes textuelles Schlussfolgern
Qwen3-Next-80B-A3B-Thinking ist die reine Thinking-Textedition von Qwen3-Next. Der Hersteller empfiehlt sie für hochkomplexe Schlussfolgerungsaufgaben und weist darauf hin, dass Thinking länger als bei früheren Modellen sein kann. Sie nimmt Text entgegen und liefert Text, darunter eine erläuterte Antwort oder einen Codevorschlag. Halten Sie sie von Qwen3-Next-80B-A3B-Instruct und Qwen3-Coder-Next getrennt, deren Non-Thinking-Verträge sich unterscheiden.
Die Familie führt hybride Aufmerksamkeit aus Gated DeltaNet und Gated Attention, stark dünn besetzte Experten, Stabilitätstechniken wie nullzentrierte Layer-Normalisierung mit Gewichtsabnahme und Multi-Token Prediction ein. Qwen beschreibt ausserdem die Stabilisierung von Reinforcement Learning durch GSPO. Dies sind Trainings- und Architekturmerkmale; Effizienzgewinne hängen von der Implementierung ab und ergeben keine universelle Antwortzeit.
Modellüberblick
Das Modell hat insgesamt 80 Milliarden Parameter und aktiviert drei Milliarden. Es hat 48 Schichten in einem 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. Ausgangstext, historische Nachrichten, Werkzeugbeobachtungen, Schlussfolgern und endgültige Ausgabe teilen das konfigurierte Sequenzbudget. Für komplexes Thinking empfiehlt der Hersteller nach Möglichkeit einen konfigurierten Kontext grösser als 131’072, auch wenn ein kleineres Fenster den Speicherdruck senken würde.
Nutzung der reinen Thinking-Schnittstelle
Die standardmässige Chatvorlage enthält bereits die öffnende Thinking-Markierung. Eine zurückgegebene Sequenz kann deshalb die schliessende Markierung enthalten, ohne die öffnende zu wiederholen. Das ist normale Formatierung im Ansatz des Herstellers, kein Beleg für fehlendes Schlussfolgern. Das Modell unterstützt nur Thinking; die Anforderung einer knappen endgültigen Antwort macht es nicht zu einer Non-Thinking-Edition.
Geben Sie für ein mathematisches oder logisches Problem vollständige Aufgabenstellung, Definitionen, Einheiten und zulässige Annahmen vor. Verlangen Sie eine klar abgegrenzte endgültige Antwort mit den zur Prüfung nötigen unterstützenden Schritten. Geben Sie für Codeschlussfolgern relevante Funktion, Eingabe und beabsichtigtes Verhalten vor und verlangen Sie anschliessend einen erläuterten Vorschlag. Vergleichen Sie unterstützende Berechnungen oder vorgeschlagenen Patch mit den gelieferten Bedingungen und tatsächlichen Ergebnissen.
Implementierung und Werkzeuge
Die Herstellerbeispiele unterstützen Entwicklungs- und Werkzeugabläufe und empfehlen Qwen-Agent für Werkzeugvorlagen und Parsing mit konfigurierten oder über MCP verbundenen Werkzeugen. Definieren Sie zulässige Werkzeuge, Aufgabenziel und beobachtbare Abschlussbedingung. Die Anwendung führt externe Handlungen aus und gibt tatsächliche Beobachtungen zurück; das Modell kann diese Rückmeldung dann in seiner nächsten Antwort verwenden.
Multi-Token Prediction gehört zum Training; seine Inferenznutzung hängt jedoch von der Implementierung ab und ist nicht allgemein in jedem leichtgewichtigen Ablauf verfügbar. Bewahren Sie diese Unterscheidung bei der Beurteilung einer Bereitstellung. Werkzeug- oder Architekturfähigkeit allein belegt keinen Zugriff auf Dateien, aktuelle Quellen oder eine Ausführungsumgebung über eine andere Anwendung.
Extrem lange Texte
Die dokumentierte Erweiterung verwendet YaRN. Der Hersteller validiert ungefähr eine Million Kontexttokens und liefert einen Ansatz mit Faktor vier auf Grundlage der nativen 262’144 Positionen; für Aufgaben mit 524’288 Tokens schlägt er Faktor zwei vor. Statische Skalierung kann die Leistung bei kürzeren Texten beeinflussen; sie sollte daher dem tatsächlichen Bedarf an längeren Eingaben folgen.
Gliedern Sie eine grosse Eingabe mit Dokumentgrenzen und Code- oder Abschnittskennungen. Nennen Sie Frage und erwartetes Artefakt, damit das Modell relevante Belege verbinden kann, statt das gesamte Fenster als Ersatz für eine klare Aufgabe zu behandeln. Reservieren Sie Platz für möglicherweise langes Schlussfolgern und das endgültige Ergebnis.
Generierungsanleitung
Best Practices empfehlen temperature 0,6, top_p 0,95, 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. Qwen empfiehlt 32’768 Tokens Generierungsbudget für die meisten Fragen und 81’920 für ungewöhnlich komplexe Mathematik- oder Programmieraufgaben. Das sind Empfehlungen, keine eigenständigen harten Ausgabegrenzen.
Legen Sie das Format der endgültigen Antwort ausdrücklich fest, etwa ein abgegrenztes mathematisches Ergebnis oder ein Antwortfeld. Der Hersteller empfiehlt, endgültige Ausgaben ohne Thinking-Inhalt in historischen Assistentennachrichten zu bewahren und die Vorlage dieses Checkpoints zu befolgen. Optionen späterer Modelle zum Bewahren historischer Schlussfolgerungen sollten nicht automatisch übernommen werden.
Wesentliche Grenzen
Dies ist ein reines Textmodell. Bilder, Audio oder Video benötigen eine geeignete gesonderte Darstellung, bevor sie in diesem Ablauf als Belege dienen können. Langes Thinking und Kontext sind endliche Ressourcen; ausführliches Schlussfolgern beweist nicht unabhängig ein korrektes Ergebnis. Prüfen Sie Annahmen, Berechnungen und generierten Code anhand der gelieferten Quelle. Das nützliche Ergebnis ist eine überprüfbare Antwort oder ein Artefakt mit sichtbaren Belegen und bewahrter reiner Thinking-Kennung.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-next-80b-a3b-thinking | 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 $0.0003 / 1K Tokens Ausgabe · Ausgabetoken $0.0024 / 1K Tokens Eingabe · Cache lesen — / 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 $0.0003 / 1K Tokens Ausgabe · Ausgabetoken $0.0024 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-next-80b-a3b-thinking", "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-thinking',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-thinking',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-thinking
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3-next-80b-a3b-thinkingQwen3-Next-80B-A3B-Thinking ist Qwens Textmodell für Schlussfolgern mit insgesamt 80 Milliarden und 3 Milliarden aktivierten Parametern. Es nutzt ausschliesslich Thinking, hybride Aufmerksamkeit und dünn besetzte Experten für komplexe Aufgaben mit nativem Kontext von 262’144 Tokens und bedingter Erweiterung auf 1’010’000.
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: komplexes textuelles Schlussfolgern
Qwen3-Next-80B-A3B-Thinking ist die reine Thinking-Textedition von Qwen3-Next. Der Hersteller empfiehlt sie für hochkomplexe Schlussfolgerungsaufgaben und weist darauf hin, dass Thinking länger als bei früheren Modellen sein kann. Sie nimmt Text entgegen und liefert Text, darunter eine erläuterte Antwort oder einen Codevorschlag. Halten Sie sie von Qwen3-Next-80B-A3B-Instruct und Qwen3-Coder-Next getrennt, deren Non-Thinking-Verträge sich unterscheiden.
Die Familie führt hybride Aufmerksamkeit aus Gated DeltaNet und Gated Attention, stark dünn besetzte Experten, Stabilitätstechniken wie nullzentrierte Layer-Normalisierung mit Gewichtsabnahme und Multi-Token Prediction ein. Qwen beschreibt ausserdem die Stabilisierung von Reinforcement Learning durch GSPO. Dies sind Trainings- und Architekturmerkmale; Effizienzgewinne hängen von der Implementierung ab und ergeben keine universelle Antwortzeit.
Modellüberblick
Das Modell hat insgesamt 80 Milliarden Parameter und aktiviert drei Milliarden. Es hat 48 Schichten in einem 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. Ausgangstext, historische Nachrichten, Werkzeugbeobachtungen, Schlussfolgern und endgültige Ausgabe teilen das konfigurierte Sequenzbudget. Für komplexes Thinking empfiehlt der Hersteller nach Möglichkeit einen konfigurierten Kontext grösser als 131’072, auch wenn ein kleineres Fenster den Speicherdruck senken würde.
Nutzung der reinen Thinking-Schnittstelle
Die standardmässige Chatvorlage enthält bereits die öffnende Thinking-Markierung. Eine zurückgegebene Sequenz kann deshalb die schliessende Markierung enthalten, ohne die öffnende zu wiederholen. Das ist normale Formatierung im Ansatz des Herstellers, kein Beleg für fehlendes Schlussfolgern. Das Modell unterstützt nur Thinking; die Anforderung einer knappen endgültigen Antwort macht es nicht zu einer Non-Thinking-Edition.
Geben Sie für ein mathematisches oder logisches Problem vollständige Aufgabenstellung, Definitionen, Einheiten und zulässige Annahmen vor. Verlangen Sie eine klar abgegrenzte endgültige Antwort mit den zur Prüfung nötigen unterstützenden Schritten. Geben Sie für Codeschlussfolgern relevante Funktion, Eingabe und beabsichtigtes Verhalten vor und verlangen Sie anschliessend einen erläuterten Vorschlag. Vergleichen Sie unterstützende Berechnungen oder vorgeschlagenen Patch mit den gelieferten Bedingungen und tatsächlichen Ergebnissen.
Implementierung und Werkzeuge
Die Herstellerbeispiele unterstützen Entwicklungs- und Werkzeugabläufe und empfehlen Qwen-Agent für Werkzeugvorlagen und Parsing mit konfigurierten oder über MCP verbundenen Werkzeugen. Definieren Sie zulässige Werkzeuge, Aufgabenziel und beobachtbare Abschlussbedingung. Die Anwendung führt externe Handlungen aus und gibt tatsächliche Beobachtungen zurück; das Modell kann diese Rückmeldung dann in seiner nächsten Antwort verwenden.
Multi-Token Prediction gehört zum Training; seine Inferenznutzung hängt jedoch von der Implementierung ab und ist nicht allgemein in jedem leichtgewichtigen Ablauf verfügbar. Bewahren Sie diese Unterscheidung bei der Beurteilung einer Bereitstellung. Werkzeug- oder Architekturfähigkeit allein belegt keinen Zugriff auf Dateien, aktuelle Quellen oder eine Ausführungsumgebung über eine andere Anwendung.
Extrem lange Texte
Die dokumentierte Erweiterung verwendet YaRN. Der Hersteller validiert ungefähr eine Million Kontexttokens und liefert einen Ansatz mit Faktor vier auf Grundlage der nativen 262’144 Positionen; für Aufgaben mit 524’288 Tokens schlägt er Faktor zwei vor. Statische Skalierung kann die Leistung bei kürzeren Texten beeinflussen; sie sollte daher dem tatsächlichen Bedarf an längeren Eingaben folgen.
Gliedern Sie eine grosse Eingabe mit Dokumentgrenzen und Code- oder Abschnittskennungen. Nennen Sie Frage und erwartetes Artefakt, damit das Modell relevante Belege verbinden kann, statt das gesamte Fenster als Ersatz für eine klare Aufgabe zu behandeln. Reservieren Sie Platz für möglicherweise langes Schlussfolgern und das endgültige Ergebnis.
Generierungsanleitung
Best Practices empfehlen temperature 0,6, top_p 0,95, 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. Qwen empfiehlt 32’768 Tokens Generierungsbudget für die meisten Fragen und 81’920 für ungewöhnlich komplexe Mathematik- oder Programmieraufgaben. Das sind Empfehlungen, keine eigenständigen harten Ausgabegrenzen.
Legen Sie das Format der endgültigen Antwort ausdrücklich fest, etwa ein abgegrenztes mathematisches Ergebnis oder ein Antwortfeld. Der Hersteller empfiehlt, endgültige Ausgaben ohne Thinking-Inhalt in historischen Assistentennachrichten zu bewahren und die Vorlage dieses Checkpoints zu befolgen. Optionen späterer Modelle zum Bewahren historischer Schlussfolgerungen sollten nicht automatisch übernommen werden.
Wesentliche Grenzen
Dies ist ein reines Textmodell. Bilder, Audio oder Video benötigen eine geeignete gesonderte Darstellung, bevor sie in diesem Ablauf als Belege dienen können. Langes Thinking und Kontext sind endliche Ressourcen; ausführliches Schlussfolgern beweist nicht unabhängig ein korrektes Ergebnis. Prüfen Sie Annahmen, Berechnungen und generierten Code anhand der gelieferten Quelle. Das nützliche Ergebnis ist eine überprüfbare Antwort oder ein Artefakt mit sichtbaren Belegen und bewahrter reiner Thinking-Kennung.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-next-80b-a3b-thinking | 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 $0.0003 / 1K Tokens Ausgabe · Ausgabetoken $0.0024 / 1K Tokens Eingabe · Cache lesen — / 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 $0.0003 / 1K Tokens Ausgabe · Ausgabetoken $0.0024 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3-next-80b-a3b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-thinking', '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-thinking', '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-thinking
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Identify what a logic puzzle actually determines\n\nExactly one of A, B and C took a key, and exactly one statement is true. A says, 'B took it.' B says, 'C took it.' C says, 'I did not take it.' Determine every possible culprit consistent with these premises. Show a truth table and state whether the culprit is uniquely determined.A three-case truth table and the complete set of consistent culprits with a uniqueness conclusion.The table checks exactly one true statement in each candidate case and preserves multiple solutions if the premises allow them.