Qwen3-235B-A22B-Instruct-2507 ist die aktualisierte anweisungsfolgende Nichtdenk-Edition von Qwen3s großem Mixture-of-Experts-Modell. Qwen betont Verbesserungen in Textverständnis, logischem Schlussfolgern, Mathematik, Wissenschaft, Code und Werkzeugnutzung sowie breiteres mehrsprachiges Wissen und besseren Umgang mit offenen Schreibaufgaben. Ein- und Ausgabe sind Text. Das Modell verwandelt einen definierten Auftrag und Material in Antwort, Analyse, Programm oder ausgearbeiteten Entwurf ohne separat generierten Denkabschnitt.
Es hat 235 Milliarden Gesamtparameter und aktiviert 22 Milliarden pro Token. Der native Kontext beträgt 262.144 Tokens. Eine praktische lange Eingabe kann Produktspezifikation, Implementierungsnotizen und offene Fragen verbinden und einen strukturierten Vergleich oder eine bearbeitete Spezifikation verlangen. Bewahren Sie Quellüberschriften und benennen Sie Zielgruppe, zu ändernde Abschnitte und Ausgabebedingungen. Geben Sie bei Text Ton, Länge und Fakten, bei Code Schnittstellen, erwartetes Verhalten und umgebenden Code vor.
Diese Edition unterstützt nur Nichtdenken und erzeugt keine <think>-Blöcke. Sie braucht den enable_thinking=False-Schalter des ursprünglichen hybriden Modells nicht; das Verlangen eines Modus des späteren Thinking-2507-Modells ändert ihre Edition nicht. Direkte Ausgabe erlaubt weiterhin Erklärung, Berechnung oder begründete Antwort. Qwen standardisiert mathematische Antworten mit \\boxed{} und Multiple Choice mit einem festgelegten Antwortfeld. Ähnliche Anweisungen können eine kurze Begründung mit abschließender Empfehlung oder im Prompt erklärte JSON-Felder verlangen.
Für Agentenabläufe empfiehlt die offizielle Karte Qwen-Agent mit Aufrufvorlagen und Parsern. Werkzeuge lassen sich einzeln oder strukturiert konfigurieren; der Hersteller zeigt Recherche und Codeinterpreter. Beschreiben Sie Zweck und Argumente jedes Werkzeugs, liefern Sie vorhandenes Material und den gewünschten Endpunkt. Ein Dokumentationsassistent kann etwa benannte Abschnitte abrufen, Unterschiede abgleichen und eine aktualisierte Erklärung liefern. Die umgebende Anwendung führt Werkzeuge aus und gibt Ergebnisse ins Gespräch zurück.
Der Hersteller empfiehlt temperature 0,7, top-p 0,8, top-k 20 und min-p 0 sowie 16.384 Tokens Ausgabebudget für die meisten Anfragen. Das ist Generierungshinweis, keine Aussage, dass jede Antwort ein festes Maximum erreichen kann. Ein presence penalty kann Wiederholungen verringern; höhere Werte können Sprachmischung und leichte Qualitätsverluste verursachen. Ein gezielter Auftrag und klare Struktur sind vor solchen Änderungen nützlich: Verlangen Sie genaue Abschnitte, Felder oder Beispiele und reservieren Sie genügend Platz.
Qwen dokumentiert eine optionale Erweiterung auf 1.010.000 Tokens über eine separate Konfiguration mit Dual Chunk Attention und Sparse Attention. Das native Fenster bleibt 262.144 Tokens; das größere hängt von Implementierung und Speicher ab. Die Karte weist ausdrücklich darauf hin, dass Speichergrenzen kürzeren konfigurierten Kontext nötig machen können. Wählen und priorisieren Sie bei umfangreichem Material Quellen und lassen Sie belegte Schlussfolgerungen von offenen Fragen trennen. So wird Langkontext handlungsfähig, ohne Eingabekapazität als Ersatz für eine genaue Aufgabe zu behandeln.
", "aboutText": "Qwen3-235B-A22B-Instruct-2507 ist die aktualisierte anweisungsfolgende Nichtdenk-Edition von Qwen3s großem Mixture-of-Experts-Modell. Qwen betont Verbesserungen in Textverständnis, logischem Schlussfolgern, Mathematik, Wissenschaft, Code und Werkzeugnutzung sowie breiteres mehrsprachiges Wissen und besseren Umgang mit offenen Schreibaufgaben. Ein- und Ausgabe sind Text. Das Modell verwandelt einen definierten Auftrag und Material in Antwort, Analyse, Programm oder ausgearbeiteten Entwurf ohne separat generierten Denkabschnitt.\n\nEs hat 235 Milliarden Gesamtparameter und aktiviert 22 Milliarden pro Token. Der native Kontext beträgt 262.144 Tokens. Eine praktische lange Eingabe kann Produktspezifikation, Implementierungsnotizen und offene Fragen verbinden und einen strukturierten Vergleich oder eine bearbeitete Spezifikation verlangen. Bewahren Sie Quellüberschriften und benennen Sie Zielgruppe, zu ändernde Abschnitte und Ausgabebedingungen. Geben Sie bei Text Ton, Länge und Fakten, bei Code Schnittstellen, erwartetes Verhalten und umgebenden Code vor.\n\nDiese Edition unterstützt nur Nichtdenken und erzeugt keineTechnisches Beispiel auf Englisch
Update a specification from notes\n\nProduce an updated export specification from these sources. [SPEC] Export all visible rows with headers. [IMPLEMENTATION] Current code exports selected rows only. [DECISION] Users must choose either selected rows or all filtered rows; headers are always included. Decision takes priority. Return the revised requirement, the implementation gap and questions still needed for an empty selection.A revised specification section, a source-labeled gap note and an empty-selection question.Check the two export choices remain distinct and headers stay mandatory.qwen/qwen3-235b-a22b-2507Qwen3-235B-A22B-Instruct-2507 ist Qwens Textmodell ohne Denkmodus für mehrsprachiges Schreiben, Code, Anweisungsbefolgung und Dokumentanalyse. Es generiert direkte Antworten ohne Denkblöcke und hat einen nativen Kontext von 262.144 Tokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3-235B-A22B-Instruct-2507 ist die aktualisierte anweisungsfolgende Nichtdenk-Edition von Qwen3s großem Mixture-of-Experts-Modell. Qwen betont Verbesserungen in Textverständnis, logischem Schlussfolgern, Mathematik, Wissenschaft, Code und Werkzeugnutzung sowie breiteres mehrsprachiges Wissen und besseren Umgang mit offenen Schreibaufgaben. Ein- und Ausgabe sind Text. Das Modell verwandelt einen definierten Auftrag und Material in Antwort, Analyse, Programm oder ausgearbeiteten Entwurf ohne separat generierten Denkabschnitt.
Es hat 235 Milliarden Gesamtparameter und aktiviert 22 Milliarden pro Token. Der native Kontext beträgt 262.144 Tokens. Eine praktische lange Eingabe kann Produktspezifikation, Implementierungsnotizen und offene Fragen verbinden und einen strukturierten Vergleich oder eine bearbeitete Spezifikation verlangen. Bewahren Sie Quellüberschriften und benennen Sie Zielgruppe, zu ändernde Abschnitte und Ausgabebedingungen. Geben Sie bei Text Ton, Länge und Fakten, bei Code Schnittstellen, erwartetes Verhalten und umgebenden Code vor.
Diese Edition unterstützt nur Nichtdenken und erzeugt keine <think>-Blöcke. Sie braucht den enable_thinking=False-Schalter des ursprünglichen hybriden Modells nicht; das Verlangen eines Modus des späteren Thinking-2507-Modells ändert ihre Edition nicht. Direkte Ausgabe erlaubt weiterhin Erklärung, Berechnung oder begründete Antwort. Qwen standardisiert mathematische Antworten mit \\boxed{} und Multiple Choice mit einem festgelegten Antwortfeld. Ähnliche Anweisungen können eine kurze Begründung mit abschließender Empfehlung oder im Prompt erklärte JSON-Felder verlangen.
Für Agentenabläufe empfiehlt die offizielle Karte Qwen-Agent mit Aufrufvorlagen und Parsern. Werkzeuge lassen sich einzeln oder strukturiert konfigurieren; der Hersteller zeigt Recherche und Codeinterpreter. Beschreiben Sie Zweck und Argumente jedes Werkzeugs, liefern Sie vorhandenes Material und den gewünschten Endpunkt. Ein Dokumentationsassistent kann etwa benannte Abschnitte abrufen, Unterschiede abgleichen und eine aktualisierte Erklärung liefern. Die umgebende Anwendung führt Werkzeuge aus und gibt Ergebnisse ins Gespräch zurück.
Der Hersteller empfiehlt temperature 0,7, top-p 0,8, top-k 20 und min-p 0 sowie 16.384 Tokens Ausgabebudget für die meisten Anfragen. Das ist Generierungshinweis, keine Aussage, dass jede Antwort ein festes Maximum erreichen kann. Ein presence penalty kann Wiederholungen verringern; höhere Werte können Sprachmischung und leichte Qualitätsverluste verursachen. Ein gezielter Auftrag und klare Struktur sind vor solchen Änderungen nützlich: Verlangen Sie genaue Abschnitte, Felder oder Beispiele und reservieren Sie genügend Platz.
Qwen dokumentiert eine optionale Erweiterung auf 1.010.000 Tokens über eine separate Konfiguration mit Dual Chunk Attention und Sparse Attention. Das native Fenster bleibt 262.144 Tokens; das größere hängt von Implementierung und Speicher ab. Die Karte weist ausdrücklich darauf hin, dass Speichergrenzen kürzeren konfigurierten Kontext nötig machen können. Wählen und priorisieren Sie bei umfangreichem Material Quellen und lassen Sie belegte Schlussfolgerungen von offenen Fragen trennen. So wird Langkontext handlungsfähig, ohne Eingabekapazität als Ersatz für eine genaue Aufgabe zu behandeln.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-235b-a22b-2507 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.000572 / 1K Token Ausgabe · Ausgabetoken $0.00228 / 1K Token Eingabe · Cache-Lesen $0.0001 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.000572 / 1K Token Ausgabe · Ausgabetoken $0.00228 / 1K Token Eingabe · Cache-Lesen $0.0001 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-235b-a22b-2507", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3-235b-a22b-2507',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3-235b-a22b-2507',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen/qwen3-235b-a22b-2507
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3-235b-a22b-2507Qwen3-235B-A22B-Instruct-2507 ist Qwens Textmodell ohne Denkmodus für mehrsprachiges Schreiben, Code, Anweisungsbefolgung und Dokumentanalyse. Es generiert direkte Antworten ohne Denkblöcke und hat einen nativen Kontext von 262.144 Tokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3-235B-A22B-Instruct-2507 ist die aktualisierte anweisungsfolgende Nichtdenk-Edition von Qwen3s großem Mixture-of-Experts-Modell. Qwen betont Verbesserungen in Textverständnis, logischem Schlussfolgern, Mathematik, Wissenschaft, Code und Werkzeugnutzung sowie breiteres mehrsprachiges Wissen und besseren Umgang mit offenen Schreibaufgaben. Ein- und Ausgabe sind Text. Das Modell verwandelt einen definierten Auftrag und Material in Antwort, Analyse, Programm oder ausgearbeiteten Entwurf ohne separat generierten Denkabschnitt.
Es hat 235 Milliarden Gesamtparameter und aktiviert 22 Milliarden pro Token. Der native Kontext beträgt 262.144 Tokens. Eine praktische lange Eingabe kann Produktspezifikation, Implementierungsnotizen und offene Fragen verbinden und einen strukturierten Vergleich oder eine bearbeitete Spezifikation verlangen. Bewahren Sie Quellüberschriften und benennen Sie Zielgruppe, zu ändernde Abschnitte und Ausgabebedingungen. Geben Sie bei Text Ton, Länge und Fakten, bei Code Schnittstellen, erwartetes Verhalten und umgebenden Code vor.
Diese Edition unterstützt nur Nichtdenken und erzeugt keine <think>-Blöcke. Sie braucht den enable_thinking=False-Schalter des ursprünglichen hybriden Modells nicht; das Verlangen eines Modus des späteren Thinking-2507-Modells ändert ihre Edition nicht. Direkte Ausgabe erlaubt weiterhin Erklärung, Berechnung oder begründete Antwort. Qwen standardisiert mathematische Antworten mit \\boxed{} und Multiple Choice mit einem festgelegten Antwortfeld. Ähnliche Anweisungen können eine kurze Begründung mit abschließender Empfehlung oder im Prompt erklärte JSON-Felder verlangen.
Für Agentenabläufe empfiehlt die offizielle Karte Qwen-Agent mit Aufrufvorlagen und Parsern. Werkzeuge lassen sich einzeln oder strukturiert konfigurieren; der Hersteller zeigt Recherche und Codeinterpreter. Beschreiben Sie Zweck und Argumente jedes Werkzeugs, liefern Sie vorhandenes Material und den gewünschten Endpunkt. Ein Dokumentationsassistent kann etwa benannte Abschnitte abrufen, Unterschiede abgleichen und eine aktualisierte Erklärung liefern. Die umgebende Anwendung führt Werkzeuge aus und gibt Ergebnisse ins Gespräch zurück.
Der Hersteller empfiehlt temperature 0,7, top-p 0,8, top-k 20 und min-p 0 sowie 16.384 Tokens Ausgabebudget für die meisten Anfragen. Das ist Generierungshinweis, keine Aussage, dass jede Antwort ein festes Maximum erreichen kann. Ein presence penalty kann Wiederholungen verringern; höhere Werte können Sprachmischung und leichte Qualitätsverluste verursachen. Ein gezielter Auftrag und klare Struktur sind vor solchen Änderungen nützlich: Verlangen Sie genaue Abschnitte, Felder oder Beispiele und reservieren Sie genügend Platz.
Qwen dokumentiert eine optionale Erweiterung auf 1.010.000 Tokens über eine separate Konfiguration mit Dual Chunk Attention und Sparse Attention. Das native Fenster bleibt 262.144 Tokens; das größere hängt von Implementierung und Speicher ab. Die Karte weist ausdrücklich darauf hin, dass Speichergrenzen kürzeren konfigurierten Kontext nötig machen können. Wählen und priorisieren Sie bei umfangreichem Material Quellen und lassen Sie belegte Schlussfolgerungen von offenen Fragen trennen. So wird Langkontext handlungsfähig, ohne Eingabekapazität als Ersatz für eine genaue Aufgabe zu behandeln.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-235b-a22b-2507 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.000572 / 1K Token Ausgabe · Ausgabetoken $0.00228 / 1K Token Eingabe · Cache-Lesen $0.0001 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.000572 / 1K Token Ausgabe · Ausgabetoken $0.00228 / 1K Token Eingabe · Cache-Lesen $0.0001 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3-235b-a22b-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-235b-a22b-2507', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-235b-a22b-2507', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen/qwen3-235b-a22b-2507
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Update a specification from notes\n\nProduce an updated export specification from these sources. [SPEC] Export all visible rows with headers. [IMPLEMENTATION] Current code exports selected rows only. [DECISION] Users must choose either selected rows or all filtered rows; headers are always included. Decision takes priority. Return the revised requirement, the implementation gap and questions still needed for an empty selection.A revised specification section, a source-labeled gap note and an empty-selection question.Check the two export choices remain distinct and headers stay mandatory.