Qwen3-8B ist ein dichtes Qwen3-Sprachmodell, das Schlussfolgern und gewöhnliche Textgenerierung verbindet. Zu seinen beworbenen Stärken gehören Mathematik, logisches Problemlösen, Code, kreatives Schreiben, rollenbasierte Dialoge und das Befolgen von Anweisungen über mehrere Gesprächsrunden. Die Familie unterstützt mehr als 100 Sprachen und Dialekte. Eine praktische Anwendung ist ein mehrsprachiger Supportassistent, der eine Kundennachricht und einen bereitgestellten Auszug aus einer Richtlinie in eine hilfreiche Antwort umwandelt und dabei Produktnamen und den gewünschten Ton beibehält.
Diese Veröffentlichung hat 8,2 Milliarden Parameter, darunter 6,95 Milliarden ausserhalb der Embeddings, und 36 Schichten. Sie verwendet Grouped-Query Attention mit 32 Abfrageköpfen und acht Schlüssel/Wert-Köpfen. Es handelt sich um ein eigenständiges dichtes Modell und nicht um das Mixture-of-Experts-Modell mit 235B Parametern, das mit weniger Experten arbeitet. Die Arbeitseingabe und das erzeugte Ergebnis sind Text: eine Übersetzung, Erklärung, ein überarbeitetes Dokument, ein Plan oder Programm. Wählen Sie eine klare Aufgabe, bevor Sie Kontext ergänzen. Geben Sie für eine Supportantwort die Kundennachricht, die geltende Richtlinie, freigegebene Fachbegriffe und die vom Leser auszuführende Handlung vor; verlangen Sie eine Antwort und eine separate Liste weiterhin fehlender Fakten.
Der Einstiegsablauf des Herstellers verwendet eine Folge von Chatnachrichten und eine ausdrückliche Chatvorlage. Fügen Sie bei Codehilfe die relevante Funktion, eine Eingabe, die das Problem sichtbar macht, die tatsächliche Ausgabe und das erwartete Ergebnis bei. Verlangen Sie eine korrigierte Funktion samt Beispielen und eine getrennte Erklärung des geänderten Verhaltens. Benennen Sie bei Übersetzungen Ausgangs- und Zielsprache, Leser und zu bewahrende Begriffe. Diese Eingaben erleichtern den Vergleich des entstandenen Texts mit der ursprünglichen Anforderung. Die veröffentlichte Integration setzt eine Laufzeitumgebung voraus, die Qwen3 unterstützt; die Modellkarte warnt, dass Transformers-Versionen unter 4.51.0 die erforderliche Architektur nicht erkennen.
Dasselbe Modell unterstützt Thinking- und Non-Thinking-Modi. Thinking ist in der bereitgestellten Vorlage standardmässig aktiviert. Eine harte Deaktivierung entfernt den Denkabschnitt; bleibt Thinking aktiviert, können /think und /no_think die Auswahl zwischen Gesprächsrunden ändern. Die jeweils letzte dieser Anweisungen hat Vorrang; diese Schalter auf Prompt-Ebene können eine harte Deaktivierung nicht aufheben. Nutzen Sie in einem Produktablauf den direkten Modus für das kurze Umschreiben einer freigegebenen Nachricht und wählen Sie Schlussfolgern für eine zu erklärende Unstimmigkeit. Halten Sie die endgültige Antwort von Zwischenüberlegungen getrennt und bewahren Sie im späteren Gesprächsverlauf nur die endgültige Antwort auf. Bei aktiviertem Thinking bleibt auch bei einer weichen Non-Thinking-Anweisung ein Denkblock erhalten; sein Inhalt kann leer sein. Die harte Deaktivierung entfernt diesen Block.
Der Hersteller beschreibt Werkzeugaufrufe und empfiehlt Qwen-Agent zur Verwaltung von Vorlagen und zur Auswertung der Aufrufe. Eine Anwendung kann Werkzeugdefinitionen bereitstellen, angeforderte Aufrufe ausführen und deren Ergebnisse zurückgeben. Für einen Supportassistenten könnte eine eng begrenzte, nur lesende Bestellabfrage einen bestätigten Versandstatus liefern, bevor das Modell eine Antwort entwirft. Legen Sie die zulässigen Abfragefelder fest und bestimmen Sie, wie ein fehlender Datensatz gemeldet werden soll. Das hilfreiche Endergebnis ist eine Antwort auf Grundlage der zurückgegebenen Informationen und keine unbelegte Aussage, dass ein externer Vorgang erfolgreich war. Der Qwen3-Leitfaden beschreibt auch parallele und mehrstufige Werkzeugaufrufe, deren Argumente als Objekte dargestellt und deren Ergebnisse in das Gespräch zurückgegeben werden.
Die Modellkarte nennt 32’768 native Kontexttoken und 131’072 mit YaRN-Erweiterung. Das Verhalten bei langem Kontext hängt daher von der tatsächlichen Konfiguration ab. Statisches YaRN kann kürzere Anfragen beeinflussen; die Modellkarte empfiehlt deshalb, es zu aktivieren, wenn langer Kontext benötigt wird. Eingabe, Gesprächsverlauf und erzeugte Ausgabe verbrauchen ein gemeinsames Kontextbudget. Kennzeichnen Sie lange Quellabschnitte, entfernen Sie sachfremde Duplikate und lassen Sie Platz für die gewünschte Antwort. Das veröffentlichte Generierungsbeispiel und die Ausgabeempfehlungen sind Konfigurationshinweise und keine eigenständige harte maximale Ausgabegrenze. Die Qwen3-Dokumentation behandelt in ihrer Erklärung der Trainingslängen Assistentennachrichten mit 38’912 Token im Thinking-Modus und 16’384 im Non-Thinking-Modus und empfiehlt, die Qualität längerer Generierungen zu prüfen. Diese Werte sind vom gesamten Kontextfenster zu unterscheiden und stellen keine harte Grenze eines bestimmten Endpunkts dar. Die Modellkarte erklärt ausserdem ihre standardmässige Positionsaufteilung von 40’960 Token als 8’192 für typische Prompts plus 32’768 für die Ausgabe; dies ist eine Konfigurationsempfehlung des Herstellers, getrennt vom nativen Trainingskontext und etwaigen Endpunktgrenzen.
Für den Thinking-Modus sind die empfohlenen Sampling-Werte temperature 0.6, top-p 0.95, top-k 20 und min-p 0; für Non-Thinking sind es 0.7, 0.8, 20 und 0. Der Hersteller warnt, dass Greedy-Decodierung beim Schlussfolgern wiederholten Text erzeugen kann. Höhere Präsenzstrafen können Wiederholungen verringern, aber gelegentlich auch zu Sprachmischung führen. Definieren Sie das endgültige Format ausdrücklich, etwa eine Antwort mit anschliessendem JSON-Objekt für ungeklärte Felder, und validieren Sie dieses Objekt, bevor eine Anwendung es verwendet. Prüfen Sie vorgeschlagenen Code mit den bereitgestellten Fällen und kontrollieren Sie bei Übersetzungen, ob die Fachbegriffe erhalten geblieben sind.
", "aboutText": "Qwen3-8B ist ein dichtes Qwen3-Sprachmodell, das Schlussfolgern und gewöhnliche Textgenerierung verbindet. Zu seinen beworbenen Stärken gehören Mathematik, logisches Problemlösen, Code, kreatives Schreiben, rollenbasierte Dialoge und das Befolgen von Anweisungen über mehrere Gesprächsrunden. Die Familie unterstützt mehr als 100 Sprachen und Dialekte. Eine praktische Anwendung ist ein mehrsprachiger Supportassistent, der eine Kundennachricht und einen bereitgestellten Auszug aus einer Richtlinie in eine hilfreiche Antwort umwandelt und dabei Produktnamen und den gewünschten Ton beibehält.\n\nDiese Veröffentlichung hat 8,2 Milliarden Parameter, darunter 6,95 Milliarden ausserhalb der Embeddings, und 36 Schichten. Sie verwendet Grouped-Query Attention mit 32 Abfrageköpfen und acht Schlüssel/Wert-Köpfen. Es handelt sich um ein eigenständiges dichtes Modell und nicht um das Mixture-of-Experts-Modell mit 235B Parametern, das mit weniger Experten arbeitet. Die Arbeitseingabe und das erzeugte Ergebnis sind Text: eine Übersetzung, Erklärung, ein überarbeitetes Dokument, ein Plan oder Programm. Wählen Sie eine klare Aufgabe, bevor Sie Kontext ergänzen. Geben Sie für eine Supportantwort die Kundennachricht, die geltende Richtlinie, freigegebene Fachbegriffe und die vom Leser auszuführende Handlung vor; verlangen Sie eine Antwort und eine separate Liste weiterhin fehlender Fakten.\n\nDer Einstiegsablauf des Herstellers verwendet eine Folge von Chatnachrichten und eine ausdrückliche Chatvorlage. Fügen Sie bei Codehilfe die relevante Funktion, eine Eingabe, die das Problem sichtbar macht, die tatsächliche Ausgabe und das erwartete Ergebnis bei. Verlangen Sie eine korrigierte Funktion samt Beispielen und eine getrennte Erklärung des geänderten Verhaltens. Benennen Sie bei Übersetzungen Ausgangs- und Zielsprache, Leser und zu bewahrende Begriffe. Diese Eingaben erleichtern den Vergleich des entstandenen Texts mit der ursprünglichen Anforderung. Die veröffentlichte Integration setzt eine Laufzeitumgebung voraus, die Qwen3 unterstützt; die Modellkarte warnt, dass Transformers-Versionen unter 4.51.0 die erforderliche Architektur nicht erkennen.\n\nDasselbe Modell unterstützt Thinking- und Non-Thinking-Modi. Thinking ist in der bereitgestellten Vorlage standardmässig aktiviert. Eine harte Deaktivierung entfernt den Denkabschnitt; bleibt Thinking aktiviert, können /think und /no_think die Auswahl zwischen Gesprächsrunden ändern. Die jeweils letzte dieser Anweisungen hat Vorrang; diese Schalter auf Prompt-Ebene können eine harte Deaktivierung nicht aufheben. Nutzen Sie in einem Produktablauf den direkten Modus für das kurze Umschreiben einer freigegebenen Nachricht und wählen Sie Schlussfolgern für eine zu erklärende Unstimmigkeit. Halten Sie die endgültige Antwort von Zwischenüberlegungen getrennt und bewahren Sie im späteren Gesprächsverlauf nur die endgültige Antwort auf. Bei aktiviertem Thinking bleibt auch bei einer weichen Non-Thinking-Anweisung ein Denkblock erhalten; sein Inhalt kann leer sein. Die harte Deaktivierung entfernt diesen Block.\n\nDer Hersteller beschreibt Werkzeugaufrufe und empfiehlt Qwen-Agent zur Verwaltung von Vorlagen und zur Auswertung der Aufrufe. Eine Anwendung kann Werkzeugdefinitionen bereitstellen, angeforderte Aufrufe ausführen und deren Ergebnisse zurückgeben. Für einen Supportassistenten könnte eine eng begrenzte, nur lesende Bestellabfrage einen bestätigten Versandstatus liefern, bevor das Modell eine Antwort entwirft. Legen Sie die zulässigen Abfragefelder fest und bestimmen Sie, wie ein fehlender Datensatz gemeldet werden soll. Das hilfreiche Endergebnis ist eine Antwort auf Grundlage der zurückgegebenen Informationen und keine unbelegte Aussage, dass ein externer Vorgang erfolgreich war. Der Qwen3-Leitfaden beschreibt auch parallele und mehrstufige Werkzeugaufrufe, deren Argumente als Objekte dargestellt und deren Ergebnisse in das Gespräch zurückgegeben werden.\n\nDie Modellkarte nennt 32’768 native Kontexttoken und 131’072 mit YaRN-Erweiterung. Das Verhalten bei langem Kontext hängt daher von der tatsächlichen Konfiguration ab. Statisches YaRN kann kürzere Anfragen beeinflussen; die Modellkarte empfiehlt deshalb, es zu aktivieren, wenn langer Kontext benötigt wird. Eingabe, Gesprächsverlauf und erzeugte Ausgabe verbrauchen ein gemeinsames Kontextbudget. Kennzeichnen Sie lange Quellabschnitte, entfernen Sie sachfremde Duplikate und lassen Sie Platz für die gewünschte Antwort. Das veröffentlichte Generierungsbeispiel und die Ausgabeempfehlungen sind Konfigurationshinweise und keine eigenständige harte maximale Ausgabegrenze. Die Qwen3-Dokumentation behandelt in ihrer Erklärung der Trainingslängen Assistentennachrichten mit 38’912 Token im Thinking-Modus und 16’384 im Non-Thinking-Modus und empfiehlt, die Qualität längerer Generierungen zu prüfen. Diese Werte sind vom gesamten Kontextfenster zu unterscheiden und stellen keine harte Grenze eines bestimmten Endpunkts dar. Die Modellkarte erklärt ausserdem ihre standardmässige Positionsaufteilung von 40’960 Token als 8’192 für typische Prompts plus 32’768 für die Ausgabe; dies ist eine Konfigurationsempfehlung des Herstellers, getrennt vom nativen Trainingskontext und etwaigen Endpunktgrenzen.\n\nFür den Thinking-Modus sind die empfohlenen Sampling-Werte temperature 0.6, top-p 0.95, top-k 20 und min-p 0; für Non-Thinking sind es 0.7, 0.8, 20 und 0. Der Hersteller warnt, dass Greedy-Decodierung beim Schlussfolgern wiederholten Text erzeugen kann. Höhere Präsenzstrafen können Wiederholungen verringern, aber gelegentlich auch zu Sprachmischung führen. Definieren Sie das endgültige Format ausdrücklich, etwa eine Antwort mit anschliessendem JSON-Objekt für ungeklärte Felder, und validieren Sie dieses Objekt, bevor eine Anwendung es verwendet. Prüfen Sie vorgeschlagenen Code mit den bereitgestellten Fällen und kontrollieren Sie bei Übersetzungen, ob die Fachbegriffe erhalten geblieben sind.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
A bilingual reply grounded in a return policy\n\nDraft a German reply to this customer: 'Can I return my unused Aero Cup after ten days?' Policy P1: unused products can be returned within 14 days; the customer must provide the order reference. Keep Aero Cup unchanged and ask for the missing reference. Follow the reply with a short English note naming the facts used.A polite German customer reply and a brief English source-fact note.The reply preserves the unused condition and 14-day window, asks for the reference and does not invent refund timing.qwen3-8bQwen3-8B bietet mehrsprachige Texterzeugung, Programmierung und zwei Antwortmodi in einem dichten Modell mit 8.2 Milliarden Parametern. Nutzen Sie direkte Antworten für Alltagsdialoge und den Denkmodus für Probleme, die eine genauere Analyse erfordern.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3-8B ist ein dichtes Qwen3-Sprachmodell, das Schlussfolgern und gewöhnliche Textgenerierung verbindet. Zu seinen beworbenen Stärken gehören Mathematik, logisches Problemlösen, Code, kreatives Schreiben, rollenbasierte Dialoge und das Befolgen von Anweisungen über mehrere Gesprächsrunden. Die Familie unterstützt mehr als 100 Sprachen und Dialekte. Eine praktische Anwendung ist ein mehrsprachiger Supportassistent, der eine Kundennachricht und einen bereitgestellten Auszug aus einer Richtlinie in eine hilfreiche Antwort umwandelt und dabei Produktnamen und den gewünschten Ton beibehält.
Diese Veröffentlichung hat 8,2 Milliarden Parameter, darunter 6,95 Milliarden ausserhalb der Embeddings, und 36 Schichten. Sie verwendet Grouped-Query Attention mit 32 Abfrageköpfen und acht Schlüssel/Wert-Köpfen. Es handelt sich um ein eigenständiges dichtes Modell und nicht um das Mixture-of-Experts-Modell mit 235B Parametern, das mit weniger Experten arbeitet. Die Arbeitseingabe und das erzeugte Ergebnis sind Text: eine Übersetzung, Erklärung, ein überarbeitetes Dokument, ein Plan oder Programm. Wählen Sie eine klare Aufgabe, bevor Sie Kontext ergänzen. Geben Sie für eine Supportantwort die Kundennachricht, die geltende Richtlinie, freigegebene Fachbegriffe und die vom Leser auszuführende Handlung vor; verlangen Sie eine Antwort und eine separate Liste weiterhin fehlender Fakten.
Der Einstiegsablauf des Herstellers verwendet eine Folge von Chatnachrichten und eine ausdrückliche Chatvorlage. Fügen Sie bei Codehilfe die relevante Funktion, eine Eingabe, die das Problem sichtbar macht, die tatsächliche Ausgabe und das erwartete Ergebnis bei. Verlangen Sie eine korrigierte Funktion samt Beispielen und eine getrennte Erklärung des geänderten Verhaltens. Benennen Sie bei Übersetzungen Ausgangs- und Zielsprache, Leser und zu bewahrende Begriffe. Diese Eingaben erleichtern den Vergleich des entstandenen Texts mit der ursprünglichen Anforderung. Die veröffentlichte Integration setzt eine Laufzeitumgebung voraus, die Qwen3 unterstützt; die Modellkarte warnt, dass Transformers-Versionen unter 4.51.0 die erforderliche Architektur nicht erkennen.
Dasselbe Modell unterstützt Thinking- und Non-Thinking-Modi. Thinking ist in der bereitgestellten Vorlage standardmässig aktiviert. Eine harte Deaktivierung entfernt den Denkabschnitt; bleibt Thinking aktiviert, können /think und /no_think die Auswahl zwischen Gesprächsrunden ändern. Die jeweils letzte dieser Anweisungen hat Vorrang; diese Schalter auf Prompt-Ebene können eine harte Deaktivierung nicht aufheben. Nutzen Sie in einem Produktablauf den direkten Modus für das kurze Umschreiben einer freigegebenen Nachricht und wählen Sie Schlussfolgern für eine zu erklärende Unstimmigkeit. Halten Sie die endgültige Antwort von Zwischenüberlegungen getrennt und bewahren Sie im späteren Gesprächsverlauf nur die endgültige Antwort auf. Bei aktiviertem Thinking bleibt auch bei einer weichen Non-Thinking-Anweisung ein Denkblock erhalten; sein Inhalt kann leer sein. Die harte Deaktivierung entfernt diesen Block.
Der Hersteller beschreibt Werkzeugaufrufe und empfiehlt Qwen-Agent zur Verwaltung von Vorlagen und zur Auswertung der Aufrufe. Eine Anwendung kann Werkzeugdefinitionen bereitstellen, angeforderte Aufrufe ausführen und deren Ergebnisse zurückgeben. Für einen Supportassistenten könnte eine eng begrenzte, nur lesende Bestellabfrage einen bestätigten Versandstatus liefern, bevor das Modell eine Antwort entwirft. Legen Sie die zulässigen Abfragefelder fest und bestimmen Sie, wie ein fehlender Datensatz gemeldet werden soll. Das hilfreiche Endergebnis ist eine Antwort auf Grundlage der zurückgegebenen Informationen und keine unbelegte Aussage, dass ein externer Vorgang erfolgreich war. Der Qwen3-Leitfaden beschreibt auch parallele und mehrstufige Werkzeugaufrufe, deren Argumente als Objekte dargestellt und deren Ergebnisse in das Gespräch zurückgegeben werden.
Die Modellkarte nennt 32’768 native Kontexttoken und 131’072 mit YaRN-Erweiterung. Das Verhalten bei langem Kontext hängt daher von der tatsächlichen Konfiguration ab. Statisches YaRN kann kürzere Anfragen beeinflussen; die Modellkarte empfiehlt deshalb, es zu aktivieren, wenn langer Kontext benötigt wird. Eingabe, Gesprächsverlauf und erzeugte Ausgabe verbrauchen ein gemeinsames Kontextbudget. Kennzeichnen Sie lange Quellabschnitte, entfernen Sie sachfremde Duplikate und lassen Sie Platz für die gewünschte Antwort. Das veröffentlichte Generierungsbeispiel und die Ausgabeempfehlungen sind Konfigurationshinweise und keine eigenständige harte maximale Ausgabegrenze. Die Qwen3-Dokumentation behandelt in ihrer Erklärung der Trainingslängen Assistentennachrichten mit 38’912 Token im Thinking-Modus und 16’384 im Non-Thinking-Modus und empfiehlt, die Qualität längerer Generierungen zu prüfen. Diese Werte sind vom gesamten Kontextfenster zu unterscheiden und stellen keine harte Grenze eines bestimmten Endpunkts dar. Die Modellkarte erklärt ausserdem ihre standardmässige Positionsaufteilung von 40’960 Token als 8’192 für typische Prompts plus 32’768 für die Ausgabe; dies ist eine Konfigurationsempfehlung des Herstellers, getrennt vom nativen Trainingskontext und etwaigen Endpunktgrenzen.
Für den Thinking-Modus sind die empfohlenen Sampling-Werte temperature 0.6, top-p 0.95, top-k 20 und min-p 0; für Non-Thinking sind es 0.7, 0.8, 20 und 0. Der Hersteller warnt, dass Greedy-Decodierung beim Schlussfolgern wiederholten Text erzeugen kann. Höhere Präsenzstrafen können Wiederholungen verringern, aber gelegentlich auch zu Sprachmischung führen. Definieren Sie das endgültige Format ausdrücklich, etwa eine Antwort mit anschliessendem JSON-Objekt für ungeklärte Felder, und validieren Sie dieses Objekt, bevor eine Anwendung es verwendet. Prüfen Sie vorgeschlagenen Code mit den bereitgestellten Fällen und kontrollieren Sie bei Übersetzungen, ob die Fachbegriffe erhalten geblieben sind.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen3-8b | 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 $0.000144 / 1K Tokens Ausgabe · Ausgabetoken $0.00144 / 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": "qwen3-8b", "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='qwen3-8b',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='qwen3-8b',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 qwen3-8b
Verwenden Sie die oben angezeigten Methodenpfade.
qwen3-8bQwen3-8B bietet mehrsprachige Texterzeugung, Programmierung und zwei Antwortmodi in einem dichten Modell mit 8.2 Milliarden Parametern. Nutzen Sie direkte Antworten für Alltagsdialoge und den Denkmodus für Probleme, die eine genauere Analyse erfordern.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3-8B ist ein dichtes Qwen3-Sprachmodell, das Schlussfolgern und gewöhnliche Textgenerierung verbindet. Zu seinen beworbenen Stärken gehören Mathematik, logisches Problemlösen, Code, kreatives Schreiben, rollenbasierte Dialoge und das Befolgen von Anweisungen über mehrere Gesprächsrunden. Die Familie unterstützt mehr als 100 Sprachen und Dialekte. Eine praktische Anwendung ist ein mehrsprachiger Supportassistent, der eine Kundennachricht und einen bereitgestellten Auszug aus einer Richtlinie in eine hilfreiche Antwort umwandelt und dabei Produktnamen und den gewünschten Ton beibehält.
Diese Veröffentlichung hat 8,2 Milliarden Parameter, darunter 6,95 Milliarden ausserhalb der Embeddings, und 36 Schichten. Sie verwendet Grouped-Query Attention mit 32 Abfrageköpfen und acht Schlüssel/Wert-Köpfen. Es handelt sich um ein eigenständiges dichtes Modell und nicht um das Mixture-of-Experts-Modell mit 235B Parametern, das mit weniger Experten arbeitet. Die Arbeitseingabe und das erzeugte Ergebnis sind Text: eine Übersetzung, Erklärung, ein überarbeitetes Dokument, ein Plan oder Programm. Wählen Sie eine klare Aufgabe, bevor Sie Kontext ergänzen. Geben Sie für eine Supportantwort die Kundennachricht, die geltende Richtlinie, freigegebene Fachbegriffe und die vom Leser auszuführende Handlung vor; verlangen Sie eine Antwort und eine separate Liste weiterhin fehlender Fakten.
Der Einstiegsablauf des Herstellers verwendet eine Folge von Chatnachrichten und eine ausdrückliche Chatvorlage. Fügen Sie bei Codehilfe die relevante Funktion, eine Eingabe, die das Problem sichtbar macht, die tatsächliche Ausgabe und das erwartete Ergebnis bei. Verlangen Sie eine korrigierte Funktion samt Beispielen und eine getrennte Erklärung des geänderten Verhaltens. Benennen Sie bei Übersetzungen Ausgangs- und Zielsprache, Leser und zu bewahrende Begriffe. Diese Eingaben erleichtern den Vergleich des entstandenen Texts mit der ursprünglichen Anforderung. Die veröffentlichte Integration setzt eine Laufzeitumgebung voraus, die Qwen3 unterstützt; die Modellkarte warnt, dass Transformers-Versionen unter 4.51.0 die erforderliche Architektur nicht erkennen.
Dasselbe Modell unterstützt Thinking- und Non-Thinking-Modi. Thinking ist in der bereitgestellten Vorlage standardmässig aktiviert. Eine harte Deaktivierung entfernt den Denkabschnitt; bleibt Thinking aktiviert, können /think und /no_think die Auswahl zwischen Gesprächsrunden ändern. Die jeweils letzte dieser Anweisungen hat Vorrang; diese Schalter auf Prompt-Ebene können eine harte Deaktivierung nicht aufheben. Nutzen Sie in einem Produktablauf den direkten Modus für das kurze Umschreiben einer freigegebenen Nachricht und wählen Sie Schlussfolgern für eine zu erklärende Unstimmigkeit. Halten Sie die endgültige Antwort von Zwischenüberlegungen getrennt und bewahren Sie im späteren Gesprächsverlauf nur die endgültige Antwort auf. Bei aktiviertem Thinking bleibt auch bei einer weichen Non-Thinking-Anweisung ein Denkblock erhalten; sein Inhalt kann leer sein. Die harte Deaktivierung entfernt diesen Block.
Der Hersteller beschreibt Werkzeugaufrufe und empfiehlt Qwen-Agent zur Verwaltung von Vorlagen und zur Auswertung der Aufrufe. Eine Anwendung kann Werkzeugdefinitionen bereitstellen, angeforderte Aufrufe ausführen und deren Ergebnisse zurückgeben. Für einen Supportassistenten könnte eine eng begrenzte, nur lesende Bestellabfrage einen bestätigten Versandstatus liefern, bevor das Modell eine Antwort entwirft. Legen Sie die zulässigen Abfragefelder fest und bestimmen Sie, wie ein fehlender Datensatz gemeldet werden soll. Das hilfreiche Endergebnis ist eine Antwort auf Grundlage der zurückgegebenen Informationen und keine unbelegte Aussage, dass ein externer Vorgang erfolgreich war. Der Qwen3-Leitfaden beschreibt auch parallele und mehrstufige Werkzeugaufrufe, deren Argumente als Objekte dargestellt und deren Ergebnisse in das Gespräch zurückgegeben werden.
Die Modellkarte nennt 32’768 native Kontexttoken und 131’072 mit YaRN-Erweiterung. Das Verhalten bei langem Kontext hängt daher von der tatsächlichen Konfiguration ab. Statisches YaRN kann kürzere Anfragen beeinflussen; die Modellkarte empfiehlt deshalb, es zu aktivieren, wenn langer Kontext benötigt wird. Eingabe, Gesprächsverlauf und erzeugte Ausgabe verbrauchen ein gemeinsames Kontextbudget. Kennzeichnen Sie lange Quellabschnitte, entfernen Sie sachfremde Duplikate und lassen Sie Platz für die gewünschte Antwort. Das veröffentlichte Generierungsbeispiel und die Ausgabeempfehlungen sind Konfigurationshinweise und keine eigenständige harte maximale Ausgabegrenze. Die Qwen3-Dokumentation behandelt in ihrer Erklärung der Trainingslängen Assistentennachrichten mit 38’912 Token im Thinking-Modus und 16’384 im Non-Thinking-Modus und empfiehlt, die Qualität längerer Generierungen zu prüfen. Diese Werte sind vom gesamten Kontextfenster zu unterscheiden und stellen keine harte Grenze eines bestimmten Endpunkts dar. Die Modellkarte erklärt ausserdem ihre standardmässige Positionsaufteilung von 40’960 Token als 8’192 für typische Prompts plus 32’768 für die Ausgabe; dies ist eine Konfigurationsempfehlung des Herstellers, getrennt vom nativen Trainingskontext und etwaigen Endpunktgrenzen.
Für den Thinking-Modus sind die empfohlenen Sampling-Werte temperature 0.6, top-p 0.95, top-k 20 und min-p 0; für Non-Thinking sind es 0.7, 0.8, 20 und 0. Der Hersteller warnt, dass Greedy-Decodierung beim Schlussfolgern wiederholten Text erzeugen kann. Höhere Präsenzstrafen können Wiederholungen verringern, aber gelegentlich auch zu Sprachmischung führen. Definieren Sie das endgültige Format ausdrücklich, etwa eine Antwort mit anschliessendem JSON-Objekt für ungeklärte Felder, und validieren Sie dieses Objekt, bevor eine Anwendung es verwendet. Prüfen Sie vorgeschlagenen Code mit den bereitgestellten Fällen und kontrollieren Sie bei Übersetzungen, ob die Fachbegriffe erhalten geblieben sind.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen3-8b | 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 $0.000144 / 1K Tokens Ausgabe · Ausgabetoken $0.00144 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen3-8b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-8b', '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': 'qwen3-8b', '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 qwen3-8b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
A bilingual reply grounded in a return policy\n\nDraft a German reply to this customer: 'Can I return my unused Aero Cup after ten days?' Policy P1: unused products can be returned within 14 days; the customer must provide the order reference. Keep Aero Cup unchanged and ask for the missing reference. Follow the reply with a short English note naming the facts used.A polite German customer reply and a brief English source-fact note.The reply preserves the unused condition and 14-day window, asks for the reference and does not invent refund timing.