Highlights: das feste Instruct-2507-Update
Qwen3-30B-A3B-Instruct-2507 ist die aktualisierte Non-Thinking-Edition von Qwen3-30B-A3B. Der Hersteller betont Verbesserungen bei Anweisungsbefolgung, logischem Schlussfolgern, Textverständnis, Mathematik, Wissenschaft, Programmierung und Werkzeugnutzung, breiteres Wissen zu weniger häufigen Themen in mehreren Sprachen und eine bessere Ausrichtung auf offene Aufgaben. Es nimmt Text entgegen und liefert Antwort, Erklärung, Codevorschlag oder gewünschtes Schreibartefakt.
Halten Sie die feste 2507-Identität vom ursprünglichen hybriden Modell, dessen FP8-Build und Thinking-2507 getrennt. Die Beschreibung mehrsprachigen Wissens gibt keine separate Sprachzahlgarantie für diese Version. Nennen Sie bei Übersetzung oder Überarbeitung Sprache, Zielgruppe und unveränderte Begriffe.
Modellüberblick
Das Mixture-of-Experts-Modell hat insgesamt 30,5 Milliarden Parameter und aktiviert 3,3 Milliarden. Es umfasst 48 Schichten, 128 Experten und acht ausgewählte pro Token. Der native Kontext beträgt 262.144 Tokens. Die Zahl der aktiven Parameter entspricht nicht der Größe des gesamten Checkpoints, und Architektur allein bestimmt keine feste Antwortzeit der Anwendung.
Es unterstützt ausschließlich den Non-Thinking-Modus ohne explizite Thinking-Blöcke. enable_thinking=False ist im Herstellerrezept unnötig. Berechnungen oder Codeerklärungen bleiben als gewöhnlicher Text möglich; das Verlangen unterstützender Schritte macht es nicht zum Thinking-Checkpoint.
Vorbereitung einer nützlichen Textanfrage
Liefern Sie bei Code Funktion oder Modul, Eingabegrenzen, beobachtetes Verhalten und Ergebnis. Verlangen Sie Patch oder vollständige Funktion mit Erklärung betroffener Annahmen. Geben Sie bei Mathematik oder Wissenschaft vollständige Aufgabe, Einheiten und Definitionen an und verlangen Sie einen klar abgegrenzten, auf die Bedingungen gestützten Abschluss.
Nennen Sie für offene Schreibaufgaben Publikum, Zweck, Ton und Pflichtinformationen. Eine nützliche Antwort kann ein bearbeitbarer Entwurf nach den gewünschten Abschnitten mit separat markierten unbelegten Annahmen sein. Vergleichen Sie Entwurf, Berechnungen oder Code mit den gelieferten Fakten, Definitionen und Anforderungen.
Agentennutzung
Qwen dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent für Vorlagen und Parsing mit konfigurierten oder MCP-verbundenen Werkzeugen. Legen Sie erlaubte Handlungen und beobachtbare Abschlussbedingungen fest. Werkzeuge führen externe Operationen aus und geben Beobachtungen für die nächste Antwort zurück. Ein vorgeschlagener Befehl oder die Behauptung, eine Quelle abgerufen zu haben, sollte von einem tatsächlich zurückgegebenen Ergebnis getrennt bleiben.
Ein klares Artefakt kann Codevorschlag, Belegtabelle oder kurzer Bericht sein. Werkzeugunterstützung verschafft nicht über jede Schnittstelle aktuelle Quellen, Dateien oder Ausführungsumgebung. Bewahren Sie den Non-Thinking-Antwortvertrag des genauen Modells statt hybrider Promptschalter oder Thinking-Ausgabebudgets.
Verarbeitung ultralanger Texte
Der Hersteller beschreibt einen optionalen Ablauf bis ungefähr eine Million Tokens mit Dual Chunk Attention und MInference Sparse Attention. Ersteres teilt lange Sequenzen in handhabbare Teile mit erhaltenen Wechselwirkungen; Letzteres konzentriert Berechnung auf ausgewählte Aufmerksamkeitsbeziehungen. Das ist ein zusätzlicher Konfigurationsweg über den nativen Kontext von 262.144 hinaus mit besonderer Langkontextkonfiguration.
Das Rezept schätzt etwa 240 GB gesamten GPU-Speicher für Gewichte, gecachten Sequenzzustand und Spitzenaktivierungen. Es beschreibt getrennte Kapazitätsfehler durch Sequenzcache, Aktivierungsspeicher oder Eingabe über der konfigurierten Länge. Millionen-Token-Verarbeitung hängt deshalb von Konfiguration und Ressourcen ab und ist kein bedingungsloser Standard.
Bereiten Sie lange Eingaben mit Dokumentgrenzen, Abschnittsnamen oder Codekennungen und einer konkreten Frage vor. Reservieren Sie Antwortraum und verlangen Sie Belege für jeden Schluss.
Generierungsempfehlungen
Best Practices empfehlen temperature 0,7, top_p 0,8, top_k 20 und min_p 0. Wo unterstützt, kann ein presence penalty zwischen null und zwei Wiederholung senken; höhere Werte können Sprachen mischen oder Qualität leicht mindern. Für die meisten Anfragen empfiehlt der Hersteller 16.384 Ausgabetokens statt der längeren Thinking-2507-Budgets. Das ist Empfehlung, keine unabhängig festgelegte harte Grenze.
Definieren Sie das finale Format, etwa mathematischen Begrenzer oder Antwortfeld. Der dokumentierte Eingang ist Text; visuelle oder akustische Belege benötigen eine geeignete separate Darstellung. Prüfen Sie Berechnungen, Zitate und Code anhand der Quelle. Ein nützliches Ergebnis ist ein vollständiges prüfbares Textartefakt mit klarer Instruct-2507-Identität, Non-Thinking-Modus und bedingtem Langkontextverfahren.
", "aboutText": "Highlights: das feste Instruct-2507-Update\n\nQwen3-30B-A3B-Instruct-2507 ist die aktualisierte Non-Thinking-Edition von Qwen3-30B-A3B. Der Hersteller betont Verbesserungen bei Anweisungsbefolgung, logischem Schlussfolgern, Textverständnis, Mathematik, Wissenschaft, Programmierung und Werkzeugnutzung, breiteres Wissen zu weniger häufigen Themen in mehreren Sprachen und eine bessere Ausrichtung auf offene Aufgaben. Es nimmt Text entgegen und liefert Antwort, Erklärung, Codevorschlag oder gewünschtes Schreibartefakt.\n\nHalten Sie die feste 2507-Identität vom ursprünglichen hybriden Modell, dessen FP8-Build und Thinking-2507 getrennt. Die Beschreibung mehrsprachigen Wissens gibt keine separate Sprachzahlgarantie für diese Version. Nennen Sie bei Übersetzung oder Überarbeitung Sprache, Zielgruppe und unveränderte Begriffe.\n\nModellüberblick\n\nDas Mixture-of-Experts-Modell hat insgesamt 30,5 Milliarden Parameter und aktiviert 3,3 Milliarden. Es umfasst 48 Schichten, 128 Experten und acht ausgewählte pro Token. Der native Kontext beträgt 262.144 Tokens. Die Zahl der aktiven Parameter entspricht nicht der Größe des gesamten Checkpoints, und Architektur allein bestimmt keine feste Antwortzeit der Anwendung.\n\nEs unterstützt ausschließlich den Non-Thinking-Modus ohne explizite Thinking-Blöcke. enable_thinking=False ist im Herstellerrezept unnötig. Berechnungen oder Codeerklärungen bleiben als gewöhnlicher Text möglich; das Verlangen unterstützender Schritte macht es nicht zum Thinking-Checkpoint.\n\nVorbereitung einer nützlichen Textanfrage\n\nLiefern Sie bei Code Funktion oder Modul, Eingabegrenzen, beobachtetes Verhalten und Ergebnis. Verlangen Sie Patch oder vollständige Funktion mit Erklärung betroffener Annahmen. Geben Sie bei Mathematik oder Wissenschaft vollständige Aufgabe, Einheiten und Definitionen an und verlangen Sie einen klar abgegrenzten, auf die Bedingungen gestützten Abschluss.\n\nNennen Sie für offene Schreibaufgaben Publikum, Zweck, Ton und Pflichtinformationen. Eine nützliche Antwort kann ein bearbeitbarer Entwurf nach den gewünschten Abschnitten mit separat markierten unbelegten Annahmen sein. Vergleichen Sie Entwurf, Berechnungen oder Code mit den gelieferten Fakten, Definitionen und Anforderungen.\n\nAgentennutzung\n\nQwen dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent für Vorlagen und Parsing mit konfigurierten oder MCP-verbundenen Werkzeugen. Legen Sie erlaubte Handlungen und beobachtbare Abschlussbedingungen fest. Werkzeuge führen externe Operationen aus und geben Beobachtungen für die nächste Antwort zurück. Ein vorgeschlagener Befehl oder die Behauptung, eine Quelle abgerufen zu haben, sollte von einem tatsächlich zurückgegebenen Ergebnis getrennt bleiben.\n\nEin klares Artefakt kann Codevorschlag, Belegtabelle oder kurzer Bericht sein. Werkzeugunterstützung verschafft nicht über jede Schnittstelle aktuelle Quellen, Dateien oder Ausführungsumgebung. Bewahren Sie den Non-Thinking-Antwortvertrag des genauen Modells statt hybrider Promptschalter oder Thinking-Ausgabebudgets.\n\nVerarbeitung ultralanger Texte\n\nDer Hersteller beschreibt einen optionalen Ablauf bis ungefähr eine Million Tokens mit Dual Chunk Attention und MInference Sparse Attention. Ersteres teilt lange Sequenzen in handhabbare Teile mit erhaltenen Wechselwirkungen; Letzteres konzentriert Berechnung auf ausgewählte Aufmerksamkeitsbeziehungen. Das ist ein zusätzlicher Konfigurationsweg über den nativen Kontext von 262.144 hinaus mit besonderer Langkontextkonfiguration.\n\nDas Rezept schätzt etwa 240 GB gesamten GPU-Speicher für Gewichte, gecachten Sequenzzustand und Spitzenaktivierungen. Es beschreibt getrennte Kapazitätsfehler durch Sequenzcache, Aktivierungsspeicher oder Eingabe über der konfigurierten Länge. Millionen-Token-Verarbeitung hängt deshalb von Konfiguration und Ressourcen ab und ist kein bedingungsloser Standard.\n\nBereiten Sie lange Eingaben mit Dokumentgrenzen, Abschnittsnamen oder Codekennungen und einer konkreten Frage vor. Reservieren Sie Antwortraum und verlangen Sie Belege für jeden Schluss.\n\nGenerierungsempfehlungen\n\nBest Practices empfehlen temperature 0,7, top_p 0,8, top_k 20 und min_p 0. Wo unterstützt, kann ein presence penalty zwischen null und zwei Wiederholung senken; höhere Werte können Sprachen mischen oder Qualität leicht mindern. Für die meisten Anfragen empfiehlt der Hersteller 16.384 Ausgabetokens statt der längeren Thinking-2507-Budgets. Das ist Empfehlung, keine unabhängig festgelegte harte Grenze.\n\nDefinieren Sie das finale Format, etwa mathematischen Begrenzer oder Antwortfeld. Der dokumentierte Eingang ist Text; visuelle oder akustische Belege benötigen eine geeignete separate Darstellung. Prüfen Sie Berechnungen, Zitate und Code anhand der Quelle. Ein nützliches Ergebnis ist ein vollständiges prüfbares Textartefakt mit klarer Instruct-2507-Identität, Non-Thinking-Modus und bedingtem Langkontextverfahren.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Draft a bounded project brief\n\nWrite a one-page-style brief in at most 170 words for a library's room-booking page. Facts: two rooms, maximum two-hour bookings, no recurring reservations, and a staff review for groups larger than eight. Use sections Goal, User steps, Rules and Open question. Include no payment features or assumed room capacities beyond the stated review threshold.An editable four-section project brief preserving the booking rules and one genuinely unanswered design question.The group-size threshold triggers staff review rather than being invented as an absolute room-capacity limit.qwen/qwen3-30b-a3b-instruct-2507Qwen3-30B-A3B-Instruct-2507 ist Qwens feste Non-Thinking-Textedition des Juli-Updates 2507 mit insgesamt 30,5 Milliarden und 3,3 Milliarden aktivierten Parametern. Sie verbessert Anweisungsbefolgung, Code, mehrsprachiges Wissen und offene Schreibaufgaben bei 262.144 nativen Kontexttokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Highlights: das feste Instruct-2507-Update
Qwen3-30B-A3B-Instruct-2507 ist die aktualisierte Non-Thinking-Edition von Qwen3-30B-A3B. Der Hersteller betont Verbesserungen bei Anweisungsbefolgung, logischem Schlussfolgern, Textverständnis, Mathematik, Wissenschaft, Programmierung und Werkzeugnutzung, breiteres Wissen zu weniger häufigen Themen in mehreren Sprachen und eine bessere Ausrichtung auf offene Aufgaben. Es nimmt Text entgegen und liefert Antwort, Erklärung, Codevorschlag oder gewünschtes Schreibartefakt.
Halten Sie die feste 2507-Identität vom ursprünglichen hybriden Modell, dessen FP8-Build und Thinking-2507 getrennt. Die Beschreibung mehrsprachigen Wissens gibt keine separate Sprachzahlgarantie für diese Version. Nennen Sie bei Übersetzung oder Überarbeitung Sprache, Zielgruppe und unveränderte Begriffe.
Modellüberblick
Das Mixture-of-Experts-Modell hat insgesamt 30,5 Milliarden Parameter und aktiviert 3,3 Milliarden. Es umfasst 48 Schichten, 128 Experten und acht ausgewählte pro Token. Der native Kontext beträgt 262.144 Tokens. Die Zahl der aktiven Parameter entspricht nicht der Größe des gesamten Checkpoints, und Architektur allein bestimmt keine feste Antwortzeit der Anwendung.
Es unterstützt ausschließlich den Non-Thinking-Modus ohne explizite Thinking-Blöcke. enable_thinking=False ist im Herstellerrezept unnötig. Berechnungen oder Codeerklärungen bleiben als gewöhnlicher Text möglich; das Verlangen unterstützender Schritte macht es nicht zum Thinking-Checkpoint.
Vorbereitung einer nützlichen Textanfrage
Liefern Sie bei Code Funktion oder Modul, Eingabegrenzen, beobachtetes Verhalten und Ergebnis. Verlangen Sie Patch oder vollständige Funktion mit Erklärung betroffener Annahmen. Geben Sie bei Mathematik oder Wissenschaft vollständige Aufgabe, Einheiten und Definitionen an und verlangen Sie einen klar abgegrenzten, auf die Bedingungen gestützten Abschluss.
Nennen Sie für offene Schreibaufgaben Publikum, Zweck, Ton und Pflichtinformationen. Eine nützliche Antwort kann ein bearbeitbarer Entwurf nach den gewünschten Abschnitten mit separat markierten unbelegten Annahmen sein. Vergleichen Sie Entwurf, Berechnungen oder Code mit den gelieferten Fakten, Definitionen und Anforderungen.
Agentennutzung
Qwen dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent für Vorlagen und Parsing mit konfigurierten oder MCP-verbundenen Werkzeugen. Legen Sie erlaubte Handlungen und beobachtbare Abschlussbedingungen fest. Werkzeuge führen externe Operationen aus und geben Beobachtungen für die nächste Antwort zurück. Ein vorgeschlagener Befehl oder die Behauptung, eine Quelle abgerufen zu haben, sollte von einem tatsächlich zurückgegebenen Ergebnis getrennt bleiben.
Ein klares Artefakt kann Codevorschlag, Belegtabelle oder kurzer Bericht sein. Werkzeugunterstützung verschafft nicht über jede Schnittstelle aktuelle Quellen, Dateien oder Ausführungsumgebung. Bewahren Sie den Non-Thinking-Antwortvertrag des genauen Modells statt hybrider Promptschalter oder Thinking-Ausgabebudgets.
Verarbeitung ultralanger Texte
Der Hersteller beschreibt einen optionalen Ablauf bis ungefähr eine Million Tokens mit Dual Chunk Attention und MInference Sparse Attention. Ersteres teilt lange Sequenzen in handhabbare Teile mit erhaltenen Wechselwirkungen; Letzteres konzentriert Berechnung auf ausgewählte Aufmerksamkeitsbeziehungen. Das ist ein zusätzlicher Konfigurationsweg über den nativen Kontext von 262.144 hinaus mit besonderer Langkontextkonfiguration.
Das Rezept schätzt etwa 240 GB gesamten GPU-Speicher für Gewichte, gecachten Sequenzzustand und Spitzenaktivierungen. Es beschreibt getrennte Kapazitätsfehler durch Sequenzcache, Aktivierungsspeicher oder Eingabe über der konfigurierten Länge. Millionen-Token-Verarbeitung hängt deshalb von Konfiguration und Ressourcen ab und ist kein bedingungsloser Standard.
Bereiten Sie lange Eingaben mit Dokumentgrenzen, Abschnittsnamen oder Codekennungen und einer konkreten Frage vor. Reservieren Sie Antwortraum und verlangen Sie Belege für jeden Schluss.
Generierungsempfehlungen
Best Practices empfehlen temperature 0,7, top_p 0,8, top_k 20 und min_p 0. Wo unterstützt, kann ein presence penalty zwischen null und zwei Wiederholung senken; höhere Werte können Sprachen mischen oder Qualität leicht mindern. Für die meisten Anfragen empfiehlt der Hersteller 16.384 Ausgabetokens statt der längeren Thinking-2507-Budgets. Das ist Empfehlung, keine unabhängig festgelegte harte Grenze.
Definieren Sie das finale Format, etwa mathematischen Begrenzer oder Antwortfeld. Der dokumentierte Eingang ist Text; visuelle oder akustische Belege benötigen eine geeignete separate Darstellung. Prüfen Sie Berechnungen, Zitate und Code anhand der Quelle. Ein nützliches Ergebnis ist ein vollständiges prüfbares Textartefakt mit klarer Instruct-2507-Identität, Non-Thinking-Modus und bedingtem Langkontextverfahren.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-30b-a3b-instruct-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 $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0008 / 1K Token Eingabe · Cache-Lesen $0 / 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 $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0008 / 1K Token Eingabe · Cache-Lesen $0 / 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/qwen3-30b-a3b-instruct-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/qwen3-30b-a3b-instruct-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/qwen3-30b-a3b-instruct-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/qwen3-30b-a3b-instruct-2507
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3-30b-a3b-instruct-2507Qwen3-30B-A3B-Instruct-2507 ist Qwens feste Non-Thinking-Textedition des Juli-Updates 2507 mit insgesamt 30,5 Milliarden und 3,3 Milliarden aktivierten Parametern. Sie verbessert Anweisungsbefolgung, Code, mehrsprachiges Wissen und offene Schreibaufgaben bei 262.144 nativen Kontexttokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Highlights: das feste Instruct-2507-Update
Qwen3-30B-A3B-Instruct-2507 ist die aktualisierte Non-Thinking-Edition von Qwen3-30B-A3B. Der Hersteller betont Verbesserungen bei Anweisungsbefolgung, logischem Schlussfolgern, Textverständnis, Mathematik, Wissenschaft, Programmierung und Werkzeugnutzung, breiteres Wissen zu weniger häufigen Themen in mehreren Sprachen und eine bessere Ausrichtung auf offene Aufgaben. Es nimmt Text entgegen und liefert Antwort, Erklärung, Codevorschlag oder gewünschtes Schreibartefakt.
Halten Sie die feste 2507-Identität vom ursprünglichen hybriden Modell, dessen FP8-Build und Thinking-2507 getrennt. Die Beschreibung mehrsprachigen Wissens gibt keine separate Sprachzahlgarantie für diese Version. Nennen Sie bei Übersetzung oder Überarbeitung Sprache, Zielgruppe und unveränderte Begriffe.
Modellüberblick
Das Mixture-of-Experts-Modell hat insgesamt 30,5 Milliarden Parameter und aktiviert 3,3 Milliarden. Es umfasst 48 Schichten, 128 Experten und acht ausgewählte pro Token. Der native Kontext beträgt 262.144 Tokens. Die Zahl der aktiven Parameter entspricht nicht der Größe des gesamten Checkpoints, und Architektur allein bestimmt keine feste Antwortzeit der Anwendung.
Es unterstützt ausschließlich den Non-Thinking-Modus ohne explizite Thinking-Blöcke. enable_thinking=False ist im Herstellerrezept unnötig. Berechnungen oder Codeerklärungen bleiben als gewöhnlicher Text möglich; das Verlangen unterstützender Schritte macht es nicht zum Thinking-Checkpoint.
Vorbereitung einer nützlichen Textanfrage
Liefern Sie bei Code Funktion oder Modul, Eingabegrenzen, beobachtetes Verhalten und Ergebnis. Verlangen Sie Patch oder vollständige Funktion mit Erklärung betroffener Annahmen. Geben Sie bei Mathematik oder Wissenschaft vollständige Aufgabe, Einheiten und Definitionen an und verlangen Sie einen klar abgegrenzten, auf die Bedingungen gestützten Abschluss.
Nennen Sie für offene Schreibaufgaben Publikum, Zweck, Ton und Pflichtinformationen. Eine nützliche Antwort kann ein bearbeitbarer Entwurf nach den gewünschten Abschnitten mit separat markierten unbelegten Annahmen sein. Vergleichen Sie Entwurf, Berechnungen oder Code mit den gelieferten Fakten, Definitionen und Anforderungen.
Agentennutzung
Qwen dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent für Vorlagen und Parsing mit konfigurierten oder MCP-verbundenen Werkzeugen. Legen Sie erlaubte Handlungen und beobachtbare Abschlussbedingungen fest. Werkzeuge führen externe Operationen aus und geben Beobachtungen für die nächste Antwort zurück. Ein vorgeschlagener Befehl oder die Behauptung, eine Quelle abgerufen zu haben, sollte von einem tatsächlich zurückgegebenen Ergebnis getrennt bleiben.
Ein klares Artefakt kann Codevorschlag, Belegtabelle oder kurzer Bericht sein. Werkzeugunterstützung verschafft nicht über jede Schnittstelle aktuelle Quellen, Dateien oder Ausführungsumgebung. Bewahren Sie den Non-Thinking-Antwortvertrag des genauen Modells statt hybrider Promptschalter oder Thinking-Ausgabebudgets.
Verarbeitung ultralanger Texte
Der Hersteller beschreibt einen optionalen Ablauf bis ungefähr eine Million Tokens mit Dual Chunk Attention und MInference Sparse Attention. Ersteres teilt lange Sequenzen in handhabbare Teile mit erhaltenen Wechselwirkungen; Letzteres konzentriert Berechnung auf ausgewählte Aufmerksamkeitsbeziehungen. Das ist ein zusätzlicher Konfigurationsweg über den nativen Kontext von 262.144 hinaus mit besonderer Langkontextkonfiguration.
Das Rezept schätzt etwa 240 GB gesamten GPU-Speicher für Gewichte, gecachten Sequenzzustand und Spitzenaktivierungen. Es beschreibt getrennte Kapazitätsfehler durch Sequenzcache, Aktivierungsspeicher oder Eingabe über der konfigurierten Länge. Millionen-Token-Verarbeitung hängt deshalb von Konfiguration und Ressourcen ab und ist kein bedingungsloser Standard.
Bereiten Sie lange Eingaben mit Dokumentgrenzen, Abschnittsnamen oder Codekennungen und einer konkreten Frage vor. Reservieren Sie Antwortraum und verlangen Sie Belege für jeden Schluss.
Generierungsempfehlungen
Best Practices empfehlen temperature 0,7, top_p 0,8, top_k 20 und min_p 0. Wo unterstützt, kann ein presence penalty zwischen null und zwei Wiederholung senken; höhere Werte können Sprachen mischen oder Qualität leicht mindern. Für die meisten Anfragen empfiehlt der Hersteller 16.384 Ausgabetokens statt der längeren Thinking-2507-Budgets. Das ist Empfehlung, keine unabhängig festgelegte harte Grenze.
Definieren Sie das finale Format, etwa mathematischen Begrenzer oder Antwortfeld. Der dokumentierte Eingang ist Text; visuelle oder akustische Belege benötigen eine geeignete separate Darstellung. Prüfen Sie Berechnungen, Zitate und Code anhand der Quelle. Ein nützliches Ergebnis ist ein vollständiges prüfbares Textartefakt mit klarer Instruct-2507-Identität, Non-Thinking-Modus und bedingtem Langkontextverfahren.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-30b-a3b-instruct-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 $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0008 / 1K Token Eingabe · Cache-Lesen $0 / 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 $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0008 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3-30b-a3b-instruct-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3-30b-a3b-instruct-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/qwen3-30b-a3b-instruct-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/qwen3-30b-a3b-instruct-2507
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Draft a bounded project brief\n\nWrite a one-page-style brief in at most 170 words for a library's room-booking page. Facts: two rooms, maximum two-hour bookings, no recurring reservations, and a staff review for groups larger than eight. Use sections Goal, User steps, Rules and Open question. Include no payment features or assumed room capacities beyond the stated review threshold.An editable four-section project brief preserving the booking rules and one genuinely unanswered design question.The group-size threshold triggers staff review rather than being invented as an absolute room-capacity limit.