Qwen3-0.6B bietet die hybride Textschnittstelle von Qwen3 in einem dichten Modell mit 0.6 Milliarden Parametern. Zu den Familienfähigkeiten gehören Anweisungsbefolgung, mehrsprachige Gespräche, kreatives Schreiben, rollenbasierte Interaktion, Mathematik, Code und logisches Schlussfolgern. Denken und gewöhnliche Generierung sind innerhalb derselben Veröffentlichung verfügbar. Die kompakte Grösse identifiziert den Checkpoint und bezeichnet weder ein anderes Eingabeformat noch einen Ersatznamen für ein grösseres Qwen3-Modell.
Das Modell hat 0.44 Milliarden Parameter ausserhalb der Embeddings und 28 Schichten, mit 16 Query-Köpfen und acht Key/Value-Köpfen in Grouped-Query Attention. Die genaue Karte dokumentiert 32,768 Kontext-Tokens. Eingehender Text und generierter Inhalt belegen beide die Sequenz des Modells; reservieren Sie daher beim Zusammenstellen von Anweisungen und Beispielen Platz für die Antwort. Die Karte dieser Veröffentlichung dokumentiert nicht die Konfiguration für erweiterten Kontext, die auf einigen Karten grösserer Qwen3-Modelle enthalten ist. Eine praktische erste Aufgabe ist ein kurzer, klar definierter Vorgang, dessen Ausgabe direkt mit der Quelle verglichen werden kann.
Nutzen Sie die vom Hersteller vorgesehene Chatvorlage, um Anweisung und Material zu übergeben. Geben Sie beispielsweise eine kurze Servicenotiz an und verlangen Sie eine Kundennachricht, die Termin und Produktnamen unverändert lässt. Nennen Sie Zielgruppe, Ton und die maximal gewünschte Länge. Listen Sie für eine Klassifikationsaufgabe die zulässigen Kategorien mit Definitionen auf und fügen Sie ein mehrdeutiges Beispiel bei, das zeigt, wie Unsicherheit angegeben werden soll. Verlangen Sie nur die Kategorie und die entsprechende Stelle aus der Eingabe. Dies sind konkrete Ausgabeanforderungen und keine Behauptung, dass das Modell sie ohne Prüfung immer erfüllt. Die veröffentlichte Integration setzt eine Laufzeitumgebung mit Qwen3-Unterstützung voraus; die Karte warnt, dass Transformers-Versionen unter 4.51.0 die erforderliche Architektur nicht erkennen.
Die bereitgestellte Vorlage verwendet standardmässig den Denkmodus. Eine harte Einstellung ohne Denken unterdrückt den Denkabschnitt. Solange das Denken aktiviert bleibt, können /think und /no_think den Modus zwischen Gesprächsrunden steuern; massgeblich ist die jüngste Anweisung. Eine harte Deaktivierung hat Vorrang vor diesen weichen Prompts. Wählen Sie die passende Einstellung für den Vorgang: Eine einfache Änderung freigegebener Formulierungen kann direkt beantwortet werden, während die Erklärung, weshalb eine Bedingung gilt, Schlussfolgern benötigen kann. Speichern Sie die endgültige Antwort statt eines früheren Denkabschnitts als Gesprächsverlauf. Bei aktiviertem Denken behält auch eine weiche Anforderung ohne Denken einen Denkblock bei; dessen Inhalt kann leer sein. Die harte Deaktivierung entfernt diesen Block.
Die Modellkarte beschreibt werkzeugorientierte Agentennutzung und empfiehlt Qwen-Agent für Vorlagen und Parsing. Für einen kleinen Glossarassistenten könnte die Anwendung eine schreibgeschützte Abfrage bereitstellen, ihre Argumente validieren, sie ausführen und den Eintrag zurückgeben. Das Modell kann anschliessend den Begriff im gewünschten Stil erklären. Definieren Sie das Werkzeugergebnis und den Ersatzablauf bei einem fehlenden Eintrag im Voraus. Eine generierte Werkzeuganfrage sollte als Anfrage behandelt werden; die Verantwortung für Ausführung und zurückgegebene Belege bleibt bei der Anwendung. Die Qwen3-Anleitung beschreibt ausserdem parallele und mehrstufige Werkzeugaufrufe mit als Objekten dargestellten Argumenten und Ergebnissen, die in das Gespräch zurückgegeben werden.
Die veröffentlichten Ausgabelängen aus Schnellstart und bewährter Praxis sind Generierungshinweise und keine separate garantierte API-Grenze. Wählen Sie bei einem gezielten Vorgang einen kompakten abschliessenden Datensatz, etwa einen umformulierten Satz mit den unveränderten Namen oder eine Kategorie und den sie stützenden Text. Prüfen Sie diesen Datensatz anhand des bereitgestellten Materials. Wenn die Aufgabe zu einer langen Erklärung wächst, bewerten Sie das längere Ergebnis anhand derselben Art realer Eingabe, statt anzunehmen, dass die kompakte Modellidentität seine Genauigkeit oder Antwortqualität belegt. Die Qwen3-Dokumentation bespricht in ihrer Erklärung der Trainingslängen Assistentennachrichten von 38,912 Tokens im Denkmodus und 16,384 ohne Denkmodus und empfiehlt, die Qualität längerer Generierungen zu bewerten. Diese Werte unterscheiden sich vom gesamten Kontextfenster und stellen keine harte Grenze eines bestimmten Endpunkts dar.
Genau diese Karte ergänzt Hinweise für deutliche Wiederholungen: Verwenden Sie die empfohlenen Sampling-Einstellungen und ziehen Sie presence_penalty 1.5 in Betracht. Stärkere Strafen können Sprachmischung oder Leistungseinbussen verursachen. Für den Denkmodus sind temperature 0.6, top-p 0.95, top-k 20 und min-p 0 vorgesehen; ohne Denkmodus temperature 0.7, top-p 0.8, top-k 20 und min-p 0. Der Hersteller warnt vor Greedy-Dekodierung im Denkmodus. Prüfen Sie wiederholte Formulierungen, erhaltene Namen und die gewählte Kategorie. Verwerfen Sie einen fehlerhaft formatierten Datensatz, statt lesbare Prosa als Nachweis für die Einhaltung des geforderten Formats zu behandeln.
", "aboutText": "Qwen3-0.6B bietet die hybride Textschnittstelle von Qwen3 in einem dichten Modell mit 0.6 Milliarden Parametern. Zu den Familienfähigkeiten gehören Anweisungsbefolgung, mehrsprachige Gespräche, kreatives Schreiben, rollenbasierte Interaktion, Mathematik, Code und logisches Schlussfolgern. Denken und gewöhnliche Generierung sind innerhalb derselben Veröffentlichung verfügbar. Die kompakte Grösse identifiziert den Checkpoint und bezeichnet weder ein anderes Eingabeformat noch einen Ersatznamen für ein grösseres Qwen3-Modell.\n\nDas Modell hat 0.44 Milliarden Parameter ausserhalb der Embeddings und 28 Schichten, mit 16 Query-Köpfen und acht Key/Value-Köpfen in Grouped-Query Attention. Die genaue Karte dokumentiert 32,768 Kontext-Tokens. Eingehender Text und generierter Inhalt belegen beide die Sequenz des Modells; reservieren Sie daher beim Zusammenstellen von Anweisungen und Beispielen Platz für die Antwort. Die Karte dieser Veröffentlichung dokumentiert nicht die Konfiguration für erweiterten Kontext, die auf einigen Karten grösserer Qwen3-Modelle enthalten ist. Eine praktische erste Aufgabe ist ein kurzer, klar definierter Vorgang, dessen Ausgabe direkt mit der Quelle verglichen werden kann.\n\nNutzen Sie die vom Hersteller vorgesehene Chatvorlage, um Anweisung und Material zu übergeben. Geben Sie beispielsweise eine kurze Servicenotiz an und verlangen Sie eine Kundennachricht, die Termin und Produktnamen unverändert lässt. Nennen Sie Zielgruppe, Ton und die maximal gewünschte Länge. Listen Sie für eine Klassifikationsaufgabe die zulässigen Kategorien mit Definitionen auf und fügen Sie ein mehrdeutiges Beispiel bei, das zeigt, wie Unsicherheit angegeben werden soll. Verlangen Sie nur die Kategorie und die entsprechende Stelle aus der Eingabe. Dies sind konkrete Ausgabeanforderungen und keine Behauptung, dass das Modell sie ohne Prüfung immer erfüllt. Die veröffentlichte Integration setzt eine Laufzeitumgebung mit Qwen3-Unterstützung voraus; die Karte warnt, dass Transformers-Versionen unter 4.51.0 die erforderliche Architektur nicht erkennen.\n\nDie bereitgestellte Vorlage verwendet standardmässig den Denkmodus. Eine harte Einstellung ohne Denken unterdrückt den Denkabschnitt. Solange das Denken aktiviert bleibt, können /think und /no_think den Modus zwischen Gesprächsrunden steuern; massgeblich ist die jüngste Anweisung. Eine harte Deaktivierung hat Vorrang vor diesen weichen Prompts. Wählen Sie die passende Einstellung für den Vorgang: Eine einfache Änderung freigegebener Formulierungen kann direkt beantwortet werden, während die Erklärung, weshalb eine Bedingung gilt, Schlussfolgern benötigen kann. Speichern Sie die endgültige Antwort statt eines früheren Denkabschnitts als Gesprächsverlauf. Bei aktiviertem Denken behält auch eine weiche Anforderung ohne Denken einen Denkblock bei; dessen Inhalt kann leer sein. Die harte Deaktivierung entfernt diesen Block.\n\nDie Modellkarte beschreibt werkzeugorientierte Agentennutzung und empfiehlt Qwen-Agent für Vorlagen und Parsing. Für einen kleinen Glossarassistenten könnte die Anwendung eine schreibgeschützte Abfrage bereitstellen, ihre Argumente validieren, sie ausführen und den Eintrag zurückgeben. Das Modell kann anschliessend den Begriff im gewünschten Stil erklären. Definieren Sie das Werkzeugergebnis und den Ersatzablauf bei einem fehlenden Eintrag im Voraus. Eine generierte Werkzeuganfrage sollte als Anfrage behandelt werden; die Verantwortung für Ausführung und zurückgegebene Belege bleibt bei der Anwendung. Die Qwen3-Anleitung beschreibt ausserdem parallele und mehrstufige Werkzeugaufrufe mit als Objekten dargestellten Argumenten und Ergebnissen, die in das Gespräch zurückgegeben werden.\n\nDie veröffentlichten Ausgabelängen aus Schnellstart und bewährter Praxis sind Generierungshinweise und keine separate garantierte API-Grenze. Wählen Sie bei einem gezielten Vorgang einen kompakten abschliessenden Datensatz, etwa einen umformulierten Satz mit den unveränderten Namen oder eine Kategorie und den sie stützenden Text. Prüfen Sie diesen Datensatz anhand des bereitgestellten Materials. Wenn die Aufgabe zu einer langen Erklärung wächst, bewerten Sie das längere Ergebnis anhand derselben Art realer Eingabe, statt anzunehmen, dass die kompakte Modellidentität seine Genauigkeit oder Antwortqualität belegt. Die Qwen3-Dokumentation bespricht in ihrer Erklärung der Trainingslängen Assistentennachrichten von 38,912 Tokens im Denkmodus und 16,384 ohne Denkmodus und empfiehlt, die Qualität längerer Generierungen zu bewerten. Diese Werte unterscheiden sich vom gesamten Kontextfenster und stellen keine harte Grenze eines bestimmten Endpunkts dar.\n\nGenau diese Karte ergänzt Hinweise für deutliche Wiederholungen: Verwenden Sie die empfohlenen Sampling-Einstellungen und ziehen Sie presence_penalty 1.5 in Betracht. Stärkere Strafen können Sprachmischung oder Leistungseinbussen verursachen. Für den Denkmodus sind temperature 0.6, top-p 0.95, top-k 20 und min-p 0 vorgesehen; ohne Denkmodus temperature 0.7, top-p 0.8, top-k 20 und min-p 0. Der Hersteller warnt vor Greedy-Dekodierung im Denkmodus. Prüfen Sie wiederholte Formulierungen, erhaltene Namen und die gewählte Kategorie. Verwerfen Sie einen fehlerhaft formatierten Datensatz, statt lesbare Prosa als Nachweis für die Einhaltung des geforderten Formats zu behandeln.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
A single focused appointment rewrite\n\nRewrite this note as one friendly sentence for a customer, using at most 25 words: 'Appointment for Polar Fan repair: 14 June, 09:30. Bring the purchase receipt.' Preserve the product name, date, time and receipt instruction. Return only the sentence, with no heading or additional details.One customer-facing sentence of at most 25 words retaining all four facts.Polar Fan, 14 June and 09:30 remain exact, and the receipt instruction is present.qwen3-0.6bQwen3-0.6B ist mit 0.6 Milliarden Parametern die kleinste dichte Veröffentlichung in dieser Qwen3-Gruppe. Es verarbeitet Textanweisungen und mehrsprachige Dialoge im direkten Antwortmodus und im Denkmodus. Der Kontext von 32,768 Tokens gilt für diese Ausgabe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3-0.6B bietet die hybride Textschnittstelle von Qwen3 in einem dichten Modell mit 0.6 Milliarden Parametern. Zu den Familienfähigkeiten gehören Anweisungsbefolgung, mehrsprachige Gespräche, kreatives Schreiben, rollenbasierte Interaktion, Mathematik, Code und logisches Schlussfolgern. Denken und gewöhnliche Generierung sind innerhalb derselben Veröffentlichung verfügbar. Die kompakte Grösse identifiziert den Checkpoint und bezeichnet weder ein anderes Eingabeformat noch einen Ersatznamen für ein grösseres Qwen3-Modell.
Das Modell hat 0.44 Milliarden Parameter ausserhalb der Embeddings und 28 Schichten, mit 16 Query-Köpfen und acht Key/Value-Köpfen in Grouped-Query Attention. Die genaue Karte dokumentiert 32,768 Kontext-Tokens. Eingehender Text und generierter Inhalt belegen beide die Sequenz des Modells; reservieren Sie daher beim Zusammenstellen von Anweisungen und Beispielen Platz für die Antwort. Die Karte dieser Veröffentlichung dokumentiert nicht die Konfiguration für erweiterten Kontext, die auf einigen Karten grösserer Qwen3-Modelle enthalten ist. Eine praktische erste Aufgabe ist ein kurzer, klar definierter Vorgang, dessen Ausgabe direkt mit der Quelle verglichen werden kann.
Nutzen Sie die vom Hersteller vorgesehene Chatvorlage, um Anweisung und Material zu übergeben. Geben Sie beispielsweise eine kurze Servicenotiz an und verlangen Sie eine Kundennachricht, die Termin und Produktnamen unverändert lässt. Nennen Sie Zielgruppe, Ton und die maximal gewünschte Länge. Listen Sie für eine Klassifikationsaufgabe die zulässigen Kategorien mit Definitionen auf und fügen Sie ein mehrdeutiges Beispiel bei, das zeigt, wie Unsicherheit angegeben werden soll. Verlangen Sie nur die Kategorie und die entsprechende Stelle aus der Eingabe. Dies sind konkrete Ausgabeanforderungen und keine Behauptung, dass das Modell sie ohne Prüfung immer erfüllt. Die veröffentlichte Integration setzt eine Laufzeitumgebung mit Qwen3-Unterstützung voraus; die Karte warnt, dass Transformers-Versionen unter 4.51.0 die erforderliche Architektur nicht erkennen.
Die bereitgestellte Vorlage verwendet standardmässig den Denkmodus. Eine harte Einstellung ohne Denken unterdrückt den Denkabschnitt. Solange das Denken aktiviert bleibt, können /think und /no_think den Modus zwischen Gesprächsrunden steuern; massgeblich ist die jüngste Anweisung. Eine harte Deaktivierung hat Vorrang vor diesen weichen Prompts. Wählen Sie die passende Einstellung für den Vorgang: Eine einfache Änderung freigegebener Formulierungen kann direkt beantwortet werden, während die Erklärung, weshalb eine Bedingung gilt, Schlussfolgern benötigen kann. Speichern Sie die endgültige Antwort statt eines früheren Denkabschnitts als Gesprächsverlauf. Bei aktiviertem Denken behält auch eine weiche Anforderung ohne Denken einen Denkblock bei; dessen Inhalt kann leer sein. Die harte Deaktivierung entfernt diesen Block.
Die Modellkarte beschreibt werkzeugorientierte Agentennutzung und empfiehlt Qwen-Agent für Vorlagen und Parsing. Für einen kleinen Glossarassistenten könnte die Anwendung eine schreibgeschützte Abfrage bereitstellen, ihre Argumente validieren, sie ausführen und den Eintrag zurückgeben. Das Modell kann anschliessend den Begriff im gewünschten Stil erklären. Definieren Sie das Werkzeugergebnis und den Ersatzablauf bei einem fehlenden Eintrag im Voraus. Eine generierte Werkzeuganfrage sollte als Anfrage behandelt werden; die Verantwortung für Ausführung und zurückgegebene Belege bleibt bei der Anwendung. Die Qwen3-Anleitung beschreibt ausserdem parallele und mehrstufige Werkzeugaufrufe mit als Objekten dargestellten Argumenten und Ergebnissen, die in das Gespräch zurückgegeben werden.
Die veröffentlichten Ausgabelängen aus Schnellstart und bewährter Praxis sind Generierungshinweise und keine separate garantierte API-Grenze. Wählen Sie bei einem gezielten Vorgang einen kompakten abschliessenden Datensatz, etwa einen umformulierten Satz mit den unveränderten Namen oder eine Kategorie und den sie stützenden Text. Prüfen Sie diesen Datensatz anhand des bereitgestellten Materials. Wenn die Aufgabe zu einer langen Erklärung wächst, bewerten Sie das längere Ergebnis anhand derselben Art realer Eingabe, statt anzunehmen, dass die kompakte Modellidentität seine Genauigkeit oder Antwortqualität belegt. Die Qwen3-Dokumentation bespricht in ihrer Erklärung der Trainingslängen Assistentennachrichten von 38,912 Tokens im Denkmodus und 16,384 ohne Denkmodus und empfiehlt, die Qualität längerer Generierungen zu bewerten. Diese Werte unterscheiden sich vom gesamten Kontextfenster und stellen keine harte Grenze eines bestimmten Endpunkts dar.
Genau diese Karte ergänzt Hinweise für deutliche Wiederholungen: Verwenden Sie die empfohlenen Sampling-Einstellungen und ziehen Sie presence_penalty 1.5 in Betracht. Stärkere Strafen können Sprachmischung oder Leistungseinbussen verursachen. Für den Denkmodus sind temperature 0.6, top-p 0.95, top-k 20 und min-p 0 vorgesehen; ohne Denkmodus temperature 0.7, top-p 0.8, top-k 20 und min-p 0. Der Hersteller warnt vor Greedy-Dekodierung im Denkmodus. Prüfen Sie wiederholte Formulierungen, erhaltene Namen und die gewählte Kategorie. Verwerfen Sie einen fehlerhaft formatierten Datensatz, statt lesbare Prosa als Nachweis für die Einhaltung des geforderten Formats zu behandeln.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen3-0.6b | 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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0.001 / 1K Tokens Eingabe · Cache lesen $0 / 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": "qwen3-0.6b", "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='qwen3-0.6b',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='qwen3-0.6b',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 qwen3-0.6b
Verwenden Sie die oben angezeigten Methodenpfade.
qwen3-0.6bQwen3-0.6B ist mit 0.6 Milliarden Parametern die kleinste dichte Veröffentlichung in dieser Qwen3-Gruppe. Es verarbeitet Textanweisungen und mehrsprachige Dialoge im direkten Antwortmodus und im Denkmodus. Der Kontext von 32,768 Tokens gilt für diese Ausgabe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3-0.6B bietet die hybride Textschnittstelle von Qwen3 in einem dichten Modell mit 0.6 Milliarden Parametern. Zu den Familienfähigkeiten gehören Anweisungsbefolgung, mehrsprachige Gespräche, kreatives Schreiben, rollenbasierte Interaktion, Mathematik, Code und logisches Schlussfolgern. Denken und gewöhnliche Generierung sind innerhalb derselben Veröffentlichung verfügbar. Die kompakte Grösse identifiziert den Checkpoint und bezeichnet weder ein anderes Eingabeformat noch einen Ersatznamen für ein grösseres Qwen3-Modell.
Das Modell hat 0.44 Milliarden Parameter ausserhalb der Embeddings und 28 Schichten, mit 16 Query-Köpfen und acht Key/Value-Köpfen in Grouped-Query Attention. Die genaue Karte dokumentiert 32,768 Kontext-Tokens. Eingehender Text und generierter Inhalt belegen beide die Sequenz des Modells; reservieren Sie daher beim Zusammenstellen von Anweisungen und Beispielen Platz für die Antwort. Die Karte dieser Veröffentlichung dokumentiert nicht die Konfiguration für erweiterten Kontext, die auf einigen Karten grösserer Qwen3-Modelle enthalten ist. Eine praktische erste Aufgabe ist ein kurzer, klar definierter Vorgang, dessen Ausgabe direkt mit der Quelle verglichen werden kann.
Nutzen Sie die vom Hersteller vorgesehene Chatvorlage, um Anweisung und Material zu übergeben. Geben Sie beispielsweise eine kurze Servicenotiz an und verlangen Sie eine Kundennachricht, die Termin und Produktnamen unverändert lässt. Nennen Sie Zielgruppe, Ton und die maximal gewünschte Länge. Listen Sie für eine Klassifikationsaufgabe die zulässigen Kategorien mit Definitionen auf und fügen Sie ein mehrdeutiges Beispiel bei, das zeigt, wie Unsicherheit angegeben werden soll. Verlangen Sie nur die Kategorie und die entsprechende Stelle aus der Eingabe. Dies sind konkrete Ausgabeanforderungen und keine Behauptung, dass das Modell sie ohne Prüfung immer erfüllt. Die veröffentlichte Integration setzt eine Laufzeitumgebung mit Qwen3-Unterstützung voraus; die Karte warnt, dass Transformers-Versionen unter 4.51.0 die erforderliche Architektur nicht erkennen.
Die bereitgestellte Vorlage verwendet standardmässig den Denkmodus. Eine harte Einstellung ohne Denken unterdrückt den Denkabschnitt. Solange das Denken aktiviert bleibt, können /think und /no_think den Modus zwischen Gesprächsrunden steuern; massgeblich ist die jüngste Anweisung. Eine harte Deaktivierung hat Vorrang vor diesen weichen Prompts. Wählen Sie die passende Einstellung für den Vorgang: Eine einfache Änderung freigegebener Formulierungen kann direkt beantwortet werden, während die Erklärung, weshalb eine Bedingung gilt, Schlussfolgern benötigen kann. Speichern Sie die endgültige Antwort statt eines früheren Denkabschnitts als Gesprächsverlauf. Bei aktiviertem Denken behält auch eine weiche Anforderung ohne Denken einen Denkblock bei; dessen Inhalt kann leer sein. Die harte Deaktivierung entfernt diesen Block.
Die Modellkarte beschreibt werkzeugorientierte Agentennutzung und empfiehlt Qwen-Agent für Vorlagen und Parsing. Für einen kleinen Glossarassistenten könnte die Anwendung eine schreibgeschützte Abfrage bereitstellen, ihre Argumente validieren, sie ausführen und den Eintrag zurückgeben. Das Modell kann anschliessend den Begriff im gewünschten Stil erklären. Definieren Sie das Werkzeugergebnis und den Ersatzablauf bei einem fehlenden Eintrag im Voraus. Eine generierte Werkzeuganfrage sollte als Anfrage behandelt werden; die Verantwortung für Ausführung und zurückgegebene Belege bleibt bei der Anwendung. Die Qwen3-Anleitung beschreibt ausserdem parallele und mehrstufige Werkzeugaufrufe mit als Objekten dargestellten Argumenten und Ergebnissen, die in das Gespräch zurückgegeben werden.
Die veröffentlichten Ausgabelängen aus Schnellstart und bewährter Praxis sind Generierungshinweise und keine separate garantierte API-Grenze. Wählen Sie bei einem gezielten Vorgang einen kompakten abschliessenden Datensatz, etwa einen umformulierten Satz mit den unveränderten Namen oder eine Kategorie und den sie stützenden Text. Prüfen Sie diesen Datensatz anhand des bereitgestellten Materials. Wenn die Aufgabe zu einer langen Erklärung wächst, bewerten Sie das längere Ergebnis anhand derselben Art realer Eingabe, statt anzunehmen, dass die kompakte Modellidentität seine Genauigkeit oder Antwortqualität belegt. Die Qwen3-Dokumentation bespricht in ihrer Erklärung der Trainingslängen Assistentennachrichten von 38,912 Tokens im Denkmodus und 16,384 ohne Denkmodus und empfiehlt, die Qualität längerer Generierungen zu bewerten. Diese Werte unterscheiden sich vom gesamten Kontextfenster und stellen keine harte Grenze eines bestimmten Endpunkts dar.
Genau diese Karte ergänzt Hinweise für deutliche Wiederholungen: Verwenden Sie die empfohlenen Sampling-Einstellungen und ziehen Sie presence_penalty 1.5 in Betracht. Stärkere Strafen können Sprachmischung oder Leistungseinbussen verursachen. Für den Denkmodus sind temperature 0.6, top-p 0.95, top-k 20 und min-p 0 vorgesehen; ohne Denkmodus temperature 0.7, top-p 0.8, top-k 20 und min-p 0. Der Hersteller warnt vor Greedy-Dekodierung im Denkmodus. Prüfen Sie wiederholte Formulierungen, erhaltene Namen und die gewählte Kategorie. Verwerfen Sie einen fehlerhaft formatierten Datensatz, statt lesbare Prosa als Nachweis für die Einhaltung des geforderten Formats zu behandeln.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen3-0.6b | 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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0001 / 1K Tokens Ausgabe · Ausgabetoken $0.001 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen3-0.6b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-0.6b', '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': 'qwen3-0.6b', '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 qwen3-0.6b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
A single focused appointment rewrite\n\nRewrite this note as one friendly sentence for a customer, using at most 25 words: 'Appointment for Polar Fan repair: 14 June, 09:30. Bring the purchase receipt.' Preserve the product name, date, time and receipt instruction. Return only the sentence, with no heading or additional details.One customer-facing sentence of at most 25 words retaining all four facts.Polar Fan, 14 June and 09:30 remain exact, and the receipt instruction is present.