Qwen3-1.7B verbindet direkte Antworten und Schlussfolgern in einem kleinen dichten Sprachmodell. Der Hersteller beschreibt Anweisungsbefolgung, kreatives Schreiben, rollenbasierte Gespräche, Mathematik, logische Probleme und Code mit mehr als 100 unterstützten Sprachen und Dialekten. Es empfängt Text und erzeugt Text. Eine nützliche Einstiegsaufgabe ist eine eng definierte Umwandlung: aus einer kurzen Kundennachricht eine höfliche Antwort machen, einen Begriff für eine bestimmte lesende Person erklären oder eine Sitzungsnotiz in eine Aufgabenliste umwandeln.
Die genaue Veröffentlichung hat 1.7 Milliarden Parameter, darunter 1.4 Milliarden ausserhalb der Embeddings, und 28 Schichten. Grouped-Query Attention verwendet 16 Query-Köpfe und acht Key/Value-Köpfe. Ihre eigene Modellkarte nennt eine Kontextlänge von 32,768 Tokens. Dies ist das dokumentierte Fenster dieser Ausgabe; grössere Kontextwerte anderer Qwen3-Grössen sollten bei deren separaten Karten bleiben. Halten Sie Quellentext, Anweisungen, Gesprächsverlauf und gewünschte Antwort innerhalb des relevanten Sequenzbudgets. Stellen Sie für einen Antwortassistenten die empfangene Nachricht, verifizierte Hintergrundfakten, Zielgruppe und gewünschte Länge bereit statt eines ganzen sachfremden Korrespondenzarchivs.
Der Schnellstart des Herstellers formatiert ein Gespräch mit der Chatvorlage des Modells. Bereiten Sie eine kleine, vollständige Aufgabe vor, die anhand ihrer Quelle geprüft werden kann. Geben Sie für eine Aufgabenliste beispielsweise eine Notiz mit Namen, Daten und Entscheidungen an, verlangen Sie einen Eintrag pro Aktion und fordern Sie einen ausdrücklichen Unbekannt-Wert, wenn die Zuständigkeit nicht genannt wurde. Stellen Sie für ein Programmierbeispiel eine Funktion und repräsentative Eingaben bereit und bitten Sie das Modell, den Zweig zu erklären, der das Ergebnis bestimmt. Eine zurückgegebene Erklärung sollte auf die tatsächlichen Variablen und Bedingungen verweisen, statt hypothetisches Verhalten einzuführen. 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.
In der bereitgestellten Vorlage ist das Denken standardmässig aktiviert. Ein harter Schalter wählt eine Ausgabe ohne Denken und ohne Denkabschnitt. Solange das Denken aktiviert bleibt, dienen /think und /no_think als Anweisungen pro Gesprächsrunde, wobei die jüngste die Wahl bestimmt; sie können einen hart deaktivierten Modus nicht übersteuern. Nutzen Sie die direkte Einstellung für eine kurze Umformulierung und die Denkeinstellung, wenn eine Antwort mehrere Bedingungen miteinander abgleichen muss. Halten Sie Zwischenschritte des Denkens getrennt von der endgültigen Antwort und bewahren Sie die endgültige Antwort im späteren Dialogverlauf auf. Bei aktiviertem Denken behält auch eine weiche Anforderung ohne Denken einen Denkblock bei; dessen Inhalt kann leer sein. Die harte Deaktivierung entfernt diesen Block.
Agentische Nutzung ist Teil der veröffentlichten Fähigkeiten. Der Hersteller empfiehlt Qwen-Agent für Werkzeugformatierung und Parsing; die Anwendung stellt die Werkzeuge bereit und führt sie aus. Ein eng begrenzter Assistent könnte eine Wörterbuchabfrage zu einem Produktbegriff anfordern, die bestätigte Definition erhalten und danach den Satz der nutzenden Person umformulieren. Definieren Sie das zulässige Argument und die zurückgegebenen Felder; prüfen Sie beides vor der Verwendung des Ergebnisses. Der endgültige Text sollte zwischen bereitgestellten Fakten, zurückgegebenen Informationen und offenen Fragen unterscheiden. Die Qwen3-Anleitung beschreibt ausserdem parallele und mehrstufige Werkzeugaufrufe mit als Objekten dargestellten Argumenten und Ergebnissen, die in das Gespräch zurückgegeben werden.
Das Ausgabebudget sollte zur gesamten Aufgabe passen. Die Modellkarte liefert Generierungsbeispiele und Empfehlungen zur Ausgabelänge; diese unterscheiden sich von einem nachgewiesenen dienstseitigen Maximum. Kurze angeforderte Ausgaben sind leicht zu verifizieren: Legen Sie Felder, Reihenfolge und Sprache fest und halten Sie die ursprüngliche Nachricht zum Vergleich bereit. Bewerten Sie das Ergebnis anhand der tatsächlichen Eingabeklasse, bevor Sie sich auf Langtextgenerierung verlassen. 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.
Für diese Grösse gibt es einen spezifischen Hinweis zu anhaltenden Wiederholungen: Die Karte empfiehlt bei deutlichen Wiederholungen die empfohlenen Sampling-Einstellungen und presence_penalty 1.5. Höhere Strafen können gelegentlich Sprachen vermischen oder die Leistung verringern. Für den Denkmodus wird temperature 0.6 mit top-p 0.95, top-k 20 und min-p 0 vorgeschlagen; ohne Denkmodus temperature 0.7 mit top-p 0.8, top-k 20 und min-p 0. Vermeiden Sie Greedy-Dekodierung im Denkmodus. Prüfen Sie Namen, Daten, Beschriftungen und wiederholte Teilsätze und validieren Sie strukturierte Ausgaben, bevor Sie diese an einen anderen Anwendungsteil weitergeben.
", "aboutText": "Qwen3-1.7B verbindet direkte Antworten und Schlussfolgern in einem kleinen dichten Sprachmodell. Der Hersteller beschreibt Anweisungsbefolgung, kreatives Schreiben, rollenbasierte Gespräche, Mathematik, logische Probleme und Code mit mehr als 100 unterstützten Sprachen und Dialekten. Es empfängt Text und erzeugt Text. Eine nützliche Einstiegsaufgabe ist eine eng definierte Umwandlung: aus einer kurzen Kundennachricht eine höfliche Antwort machen, einen Begriff für eine bestimmte lesende Person erklären oder eine Sitzungsnotiz in eine Aufgabenliste umwandeln.\n\nDie genaue Veröffentlichung hat 1.7 Milliarden Parameter, darunter 1.4 Milliarden ausserhalb der Embeddings, und 28 Schichten. Grouped-Query Attention verwendet 16 Query-Köpfe und acht Key/Value-Köpfe. Ihre eigene Modellkarte nennt eine Kontextlänge von 32,768 Tokens. Dies ist das dokumentierte Fenster dieser Ausgabe; grössere Kontextwerte anderer Qwen3-Grössen sollten bei deren separaten Karten bleiben. Halten Sie Quellentext, Anweisungen, Gesprächsverlauf und gewünschte Antwort innerhalb des relevanten Sequenzbudgets. Stellen Sie für einen Antwortassistenten die empfangene Nachricht, verifizierte Hintergrundfakten, Zielgruppe und gewünschte Länge bereit statt eines ganzen sachfremden Korrespondenzarchivs.\n\nDer Schnellstart des Herstellers formatiert ein Gespräch mit der Chatvorlage des Modells. Bereiten Sie eine kleine, vollständige Aufgabe vor, die anhand ihrer Quelle geprüft werden kann. Geben Sie für eine Aufgabenliste beispielsweise eine Notiz mit Namen, Daten und Entscheidungen an, verlangen Sie einen Eintrag pro Aktion und fordern Sie einen ausdrücklichen Unbekannt-Wert, wenn die Zuständigkeit nicht genannt wurde. Stellen Sie für ein Programmierbeispiel eine Funktion und repräsentative Eingaben bereit und bitten Sie das Modell, den Zweig zu erklären, der das Ergebnis bestimmt. Eine zurückgegebene Erklärung sollte auf die tatsächlichen Variablen und Bedingungen verweisen, statt hypothetisches Verhalten einzuführen. 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\nIn der bereitgestellten Vorlage ist das Denken standardmässig aktiviert. Ein harter Schalter wählt eine Ausgabe ohne Denken und ohne Denkabschnitt. Solange das Denken aktiviert bleibt, dienen /think und /no_think als Anweisungen pro Gesprächsrunde, wobei die jüngste die Wahl bestimmt; sie können einen hart deaktivierten Modus nicht übersteuern. Nutzen Sie die direkte Einstellung für eine kurze Umformulierung und die Denkeinstellung, wenn eine Antwort mehrere Bedingungen miteinander abgleichen muss. Halten Sie Zwischenschritte des Denkens getrennt von der endgültigen Antwort und bewahren Sie die endgültige Antwort im späteren Dialogverlauf auf. 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\nAgentische Nutzung ist Teil der veröffentlichten Fähigkeiten. Der Hersteller empfiehlt Qwen-Agent für Werkzeugformatierung und Parsing; die Anwendung stellt die Werkzeuge bereit und führt sie aus. Ein eng begrenzter Assistent könnte eine Wörterbuchabfrage zu einem Produktbegriff anfordern, die bestätigte Definition erhalten und danach den Satz der nutzenden Person umformulieren. Definieren Sie das zulässige Argument und die zurückgegebenen Felder; prüfen Sie beides vor der Verwendung des Ergebnisses. Der endgültige Text sollte zwischen bereitgestellten Fakten, zurückgegebenen Informationen und offenen Fragen unterscheiden. Die Qwen3-Anleitung beschreibt ausserdem parallele und mehrstufige Werkzeugaufrufe mit als Objekten dargestellten Argumenten und Ergebnissen, die in das Gespräch zurückgegeben werden.\n\nDas Ausgabebudget sollte zur gesamten Aufgabe passen. Die Modellkarte liefert Generierungsbeispiele und Empfehlungen zur Ausgabelänge; diese unterscheiden sich von einem nachgewiesenen dienstseitigen Maximum. Kurze angeforderte Ausgaben sind leicht zu verifizieren: Legen Sie Felder, Reihenfolge und Sprache fest und halten Sie die ursprüngliche Nachricht zum Vergleich bereit. Bewerten Sie das Ergebnis anhand der tatsächlichen Eingabeklasse, bevor Sie sich auf Langtextgenerierung verlassen. 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\nFür diese Grösse gibt es einen spezifischen Hinweis zu anhaltenden Wiederholungen: Die Karte empfiehlt bei deutlichen Wiederholungen die empfohlenen Sampling-Einstellungen und presence_penalty 1.5. Höhere Strafen können gelegentlich Sprachen vermischen oder die Leistung verringern. Für den Denkmodus wird temperature 0.6 mit top-p 0.95, top-k 20 und min-p 0 vorgeschlagen; ohne Denkmodus temperature 0.7 mit top-p 0.8, top-k 20 und min-p 0. Vermeiden Sie Greedy-Dekodierung im Denkmodus. Prüfen Sie Namen, Daten, Beschriftungen und wiederholte Teilsätze und validieren Sie strukturierte Ausgaben, bevor Sie diese an einen anderen Anwendungsteil weitergeben.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Convert a short note into actions\n\nTurn this note into an action list: 'Mina will order six folders by Thursday. Leo will check the cupboard today. Someone must print the welcome sheets before Friday, but we have not assigned that task.' Return one row per action with owner, task and deadline; use 'unassigned' where needed.Three action rows retaining names, deadlines and the unassigned printing owner.Do not assign the printing task to Mina or Leo without evidence in the note.qwen3-1.7bQwen3-1.7B ist ein kompaktes dichtes Textmodell mit direktem Antwortmodus und Denkmodus. Es unterstützt mehrsprachige Dialoge, Schreiben, Code und werkzeugorientierte Anweisungen, mit einem für genau diese Veröffentlichung dokumentierten Kontext von 32,768 Tokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3-1.7B verbindet direkte Antworten und Schlussfolgern in einem kleinen dichten Sprachmodell. Der Hersteller beschreibt Anweisungsbefolgung, kreatives Schreiben, rollenbasierte Gespräche, Mathematik, logische Probleme und Code mit mehr als 100 unterstützten Sprachen und Dialekten. Es empfängt Text und erzeugt Text. Eine nützliche Einstiegsaufgabe ist eine eng definierte Umwandlung: aus einer kurzen Kundennachricht eine höfliche Antwort machen, einen Begriff für eine bestimmte lesende Person erklären oder eine Sitzungsnotiz in eine Aufgabenliste umwandeln.
Die genaue Veröffentlichung hat 1.7 Milliarden Parameter, darunter 1.4 Milliarden ausserhalb der Embeddings, und 28 Schichten. Grouped-Query Attention verwendet 16 Query-Köpfe und acht Key/Value-Köpfe. Ihre eigene Modellkarte nennt eine Kontextlänge von 32,768 Tokens. Dies ist das dokumentierte Fenster dieser Ausgabe; grössere Kontextwerte anderer Qwen3-Grössen sollten bei deren separaten Karten bleiben. Halten Sie Quellentext, Anweisungen, Gesprächsverlauf und gewünschte Antwort innerhalb des relevanten Sequenzbudgets. Stellen Sie für einen Antwortassistenten die empfangene Nachricht, verifizierte Hintergrundfakten, Zielgruppe und gewünschte Länge bereit statt eines ganzen sachfremden Korrespondenzarchivs.
Der Schnellstart des Herstellers formatiert ein Gespräch mit der Chatvorlage des Modells. Bereiten Sie eine kleine, vollständige Aufgabe vor, die anhand ihrer Quelle geprüft werden kann. Geben Sie für eine Aufgabenliste beispielsweise eine Notiz mit Namen, Daten und Entscheidungen an, verlangen Sie einen Eintrag pro Aktion und fordern Sie einen ausdrücklichen Unbekannt-Wert, wenn die Zuständigkeit nicht genannt wurde. Stellen Sie für ein Programmierbeispiel eine Funktion und repräsentative Eingaben bereit und bitten Sie das Modell, den Zweig zu erklären, der das Ergebnis bestimmt. Eine zurückgegebene Erklärung sollte auf die tatsächlichen Variablen und Bedingungen verweisen, statt hypothetisches Verhalten einzuführen. 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.
In der bereitgestellten Vorlage ist das Denken standardmässig aktiviert. Ein harter Schalter wählt eine Ausgabe ohne Denken und ohne Denkabschnitt. Solange das Denken aktiviert bleibt, dienen /think und /no_think als Anweisungen pro Gesprächsrunde, wobei die jüngste die Wahl bestimmt; sie können einen hart deaktivierten Modus nicht übersteuern. Nutzen Sie die direkte Einstellung für eine kurze Umformulierung und die Denkeinstellung, wenn eine Antwort mehrere Bedingungen miteinander abgleichen muss. Halten Sie Zwischenschritte des Denkens getrennt von der endgültigen Antwort und bewahren Sie die endgültige Antwort im späteren Dialogverlauf auf. Bei aktiviertem Denken behält auch eine weiche Anforderung ohne Denken einen Denkblock bei; dessen Inhalt kann leer sein. Die harte Deaktivierung entfernt diesen Block.
Agentische Nutzung ist Teil der veröffentlichten Fähigkeiten. Der Hersteller empfiehlt Qwen-Agent für Werkzeugformatierung und Parsing; die Anwendung stellt die Werkzeuge bereit und führt sie aus. Ein eng begrenzter Assistent könnte eine Wörterbuchabfrage zu einem Produktbegriff anfordern, die bestätigte Definition erhalten und danach den Satz der nutzenden Person umformulieren. Definieren Sie das zulässige Argument und die zurückgegebenen Felder; prüfen Sie beides vor der Verwendung des Ergebnisses. Der endgültige Text sollte zwischen bereitgestellten Fakten, zurückgegebenen Informationen und offenen Fragen unterscheiden. Die Qwen3-Anleitung beschreibt ausserdem parallele und mehrstufige Werkzeugaufrufe mit als Objekten dargestellten Argumenten und Ergebnissen, die in das Gespräch zurückgegeben werden.
Das Ausgabebudget sollte zur gesamten Aufgabe passen. Die Modellkarte liefert Generierungsbeispiele und Empfehlungen zur Ausgabelänge; diese unterscheiden sich von einem nachgewiesenen dienstseitigen Maximum. Kurze angeforderte Ausgaben sind leicht zu verifizieren: Legen Sie Felder, Reihenfolge und Sprache fest und halten Sie die ursprüngliche Nachricht zum Vergleich bereit. Bewerten Sie das Ergebnis anhand der tatsächlichen Eingabeklasse, bevor Sie sich auf Langtextgenerierung verlassen. 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.
Für diese Grösse gibt es einen spezifischen Hinweis zu anhaltenden Wiederholungen: Die Karte empfiehlt bei deutlichen Wiederholungen die empfohlenen Sampling-Einstellungen und presence_penalty 1.5. Höhere Strafen können gelegentlich Sprachen vermischen oder die Leistung verringern. Für den Denkmodus wird temperature 0.6 mit top-p 0.95, top-k 20 und min-p 0 vorgeschlagen; ohne Denkmodus temperature 0.7 mit top-p 0.8, top-k 20 und min-p 0. Vermeiden Sie Greedy-Dekodierung im Denkmodus. Prüfen Sie Namen, Daten, Beschriftungen und wiederholte Teilsätze und validieren Sie strukturierte Ausgaben, bevor Sie diese an einen anderen Anwendungsteil weitergeben.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen3-1.7b | 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": "qwen3-1.7b", "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='qwen3-1.7b',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='qwen3-1.7b',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 qwen3-1.7b
Verwenden Sie die oben angezeigten Methodenpfade.
qwen3-1.7bQwen3-1.7B ist ein kompaktes dichtes Textmodell mit direktem Antwortmodus und Denkmodus. Es unterstützt mehrsprachige Dialoge, Schreiben, Code und werkzeugorientierte Anweisungen, mit einem für genau diese Veröffentlichung dokumentierten Kontext von 32,768 Tokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3-1.7B verbindet direkte Antworten und Schlussfolgern in einem kleinen dichten Sprachmodell. Der Hersteller beschreibt Anweisungsbefolgung, kreatives Schreiben, rollenbasierte Gespräche, Mathematik, logische Probleme und Code mit mehr als 100 unterstützten Sprachen und Dialekten. Es empfängt Text und erzeugt Text. Eine nützliche Einstiegsaufgabe ist eine eng definierte Umwandlung: aus einer kurzen Kundennachricht eine höfliche Antwort machen, einen Begriff für eine bestimmte lesende Person erklären oder eine Sitzungsnotiz in eine Aufgabenliste umwandeln.
Die genaue Veröffentlichung hat 1.7 Milliarden Parameter, darunter 1.4 Milliarden ausserhalb der Embeddings, und 28 Schichten. Grouped-Query Attention verwendet 16 Query-Köpfe und acht Key/Value-Köpfe. Ihre eigene Modellkarte nennt eine Kontextlänge von 32,768 Tokens. Dies ist das dokumentierte Fenster dieser Ausgabe; grössere Kontextwerte anderer Qwen3-Grössen sollten bei deren separaten Karten bleiben. Halten Sie Quellentext, Anweisungen, Gesprächsverlauf und gewünschte Antwort innerhalb des relevanten Sequenzbudgets. Stellen Sie für einen Antwortassistenten die empfangene Nachricht, verifizierte Hintergrundfakten, Zielgruppe und gewünschte Länge bereit statt eines ganzen sachfremden Korrespondenzarchivs.
Der Schnellstart des Herstellers formatiert ein Gespräch mit der Chatvorlage des Modells. Bereiten Sie eine kleine, vollständige Aufgabe vor, die anhand ihrer Quelle geprüft werden kann. Geben Sie für eine Aufgabenliste beispielsweise eine Notiz mit Namen, Daten und Entscheidungen an, verlangen Sie einen Eintrag pro Aktion und fordern Sie einen ausdrücklichen Unbekannt-Wert, wenn die Zuständigkeit nicht genannt wurde. Stellen Sie für ein Programmierbeispiel eine Funktion und repräsentative Eingaben bereit und bitten Sie das Modell, den Zweig zu erklären, der das Ergebnis bestimmt. Eine zurückgegebene Erklärung sollte auf die tatsächlichen Variablen und Bedingungen verweisen, statt hypothetisches Verhalten einzuführen. 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.
In der bereitgestellten Vorlage ist das Denken standardmässig aktiviert. Ein harter Schalter wählt eine Ausgabe ohne Denken und ohne Denkabschnitt. Solange das Denken aktiviert bleibt, dienen /think und /no_think als Anweisungen pro Gesprächsrunde, wobei die jüngste die Wahl bestimmt; sie können einen hart deaktivierten Modus nicht übersteuern. Nutzen Sie die direkte Einstellung für eine kurze Umformulierung und die Denkeinstellung, wenn eine Antwort mehrere Bedingungen miteinander abgleichen muss. Halten Sie Zwischenschritte des Denkens getrennt von der endgültigen Antwort und bewahren Sie die endgültige Antwort im späteren Dialogverlauf auf. Bei aktiviertem Denken behält auch eine weiche Anforderung ohne Denken einen Denkblock bei; dessen Inhalt kann leer sein. Die harte Deaktivierung entfernt diesen Block.
Agentische Nutzung ist Teil der veröffentlichten Fähigkeiten. Der Hersteller empfiehlt Qwen-Agent für Werkzeugformatierung und Parsing; die Anwendung stellt die Werkzeuge bereit und führt sie aus. Ein eng begrenzter Assistent könnte eine Wörterbuchabfrage zu einem Produktbegriff anfordern, die bestätigte Definition erhalten und danach den Satz der nutzenden Person umformulieren. Definieren Sie das zulässige Argument und die zurückgegebenen Felder; prüfen Sie beides vor der Verwendung des Ergebnisses. Der endgültige Text sollte zwischen bereitgestellten Fakten, zurückgegebenen Informationen und offenen Fragen unterscheiden. Die Qwen3-Anleitung beschreibt ausserdem parallele und mehrstufige Werkzeugaufrufe mit als Objekten dargestellten Argumenten und Ergebnissen, die in das Gespräch zurückgegeben werden.
Das Ausgabebudget sollte zur gesamten Aufgabe passen. Die Modellkarte liefert Generierungsbeispiele und Empfehlungen zur Ausgabelänge; diese unterscheiden sich von einem nachgewiesenen dienstseitigen Maximum. Kurze angeforderte Ausgaben sind leicht zu verifizieren: Legen Sie Felder, Reihenfolge und Sprache fest und halten Sie die ursprüngliche Nachricht zum Vergleich bereit. Bewerten Sie das Ergebnis anhand der tatsächlichen Eingabeklasse, bevor Sie sich auf Langtextgenerierung verlassen. 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.
Für diese Grösse gibt es einen spezifischen Hinweis zu anhaltenden Wiederholungen: Die Karte empfiehlt bei deutlichen Wiederholungen die empfohlenen Sampling-Einstellungen und presence_penalty 1.5. Höhere Strafen können gelegentlich Sprachen vermischen oder die Leistung verringern. Für den Denkmodus wird temperature 0.6 mit top-p 0.95, top-k 20 und min-p 0 vorgeschlagen; ohne Denkmodus temperature 0.7 mit top-p 0.8, top-k 20 und min-p 0. Vermeiden Sie Greedy-Dekodierung im Denkmodus. Prüfen Sie Namen, Daten, Beschriftungen und wiederholte Teilsätze und validieren Sie strukturierte Ausgaben, bevor Sie diese an einen anderen Anwendungsteil weitergeben.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen3-1.7b | 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 $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen3-1.7b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-1.7b', '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': 'qwen3-1.7b', '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 qwen3-1.7b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Convert a short note into actions\n\nTurn this note into an action list: 'Mina will order six folders by Thursday. Leo will check the cupboard today. Someone must print the welcome sheets before Friday, but we have not assigned that task.' Return one row per action with owner, task and deadline; use 'unassigned' where needed.Three action rows retaining names, deadlines and the unassigned printing owner.Do not assign the printing task to Mina or Leo without evidence in the note.