Schwerpunkte: die feste Veröffentlichung Thinking-2507
Qwen3-30B-A3B-Thinking-2507 ist ein Textgenerierungsmodell mit einem Schwerpunkt auf anspruchsvollem Reasoning. Qwen beschreibt Verbesserungen bei Logik, Mathematik, Naturwissenschaften, Programmierung, dem Befolgen von Anweisungen, Werkzeugnutzung und Textgenerierung sowie längere Denksequenzen und ein stärkeres Verständnis langer Kontexte. Wählen Sie genau diese Ausgabe 2507, wenn die Aufgabe von anhaltendem Schlussfolgern profitiert, etwa beim Prüfen konkurrierender Erklärungen, beim Lösen eines mehrstufigen mathematischen Problems oder bei einer komplexen Codeänderung.
Modellübersicht und Modus
Das Mixture-of-Experts-Modell hat insgesamt 30,5 Milliarden Parameter und 3,3 Milliarden aktivierte Parameter, mit 128 Experten und acht pro Token ausgewählten Experten über 48 Schichten. Sein nativer Kontext beträgt 262.144 Tokens. Es nimmt Text entgegen und gibt Text zurück; Werkzeugergebnisse werden über einen verbundenen Anwendungs-Workflow bereitgestellt. Dieser Checkpoint unterstützt ausschließlich Thinking. Er unterscheidet sich vom früheren hybriden Qwen3-30B-A3B, seiner FP8-Ausgabe und Qwen3-30B-A3B-Instruct-2507. Es darf nicht angenommen werden, dass der Non-Thinking-Schalter des Hybridmodells hier gilt.
Die Standard-Chatvorlage beginnt die Reasoning-Sequenz bereits mit einem öffnenden Thinking-Marker, sodass eine ausdrückliche Einstellung enable_thinking=True unnötig ist. Eine zurückgegebene Sequenz kann den schließenden Marker enthalten, ohne den öffnenden Marker zu wiederholen. Das Herstellerbeispiel trennt die Überlegungen von der abschließenden Antwort. Bewahren Sie diese Unterscheidung, wenn Sie ein konkretes Arbeitsergebnis anfordern: Das Fazit eines Beweises, ein Patch oder eine Entscheidungstabelle sollte nach der längeren Erklärung leicht zu finden bleiben.
Eine anspruchsvolle Aufgabe vorbereiten
Geben Sie dem Modell die vollständige Problemstellung, Randbedingungen und relevante Belege. Fügen Sie für eine Codeänderung die vorhandene Funktion, eine fehlschlagende Eingabe und das erwartete Verhalten hinzu und fordern Sie dann einen Patchvorschlag mit einer Erklärung der Randfälle an. Trennen Sie bei einer naturwissenschaftlichen Frage Beobachtungen von Annahmen und fragen Sie, welche Schlussfolgerung aus welcher Grundlage folgt. Bewahren Sie bei einer langen Richtlinie oder Spezifikation Abschnittskennungen und fordern Sie eine knappe, durch die relevanten Klauseln gestützte Entscheidung an. Dies sind praktische Anwendungen der dokumentierten Reasoning-Bereiche und keine Behauptungen, dass das Modell einen Patch ausgeführt oder ein Experiment validiert hat.
Da diese Version ausführlich schlussfolgern kann, reservieren Sie Platz für Überlegungen und das endgültige Artefakt. Qwen empfiehlt bei der Modellkonfiguration nach Möglichkeit einen Kontext über 131.072 Tokens, selbst wenn ein kleinerer Kontext den Speicherdruck reduzieren würde. Der native Kontextwert umfasst das Sequenzbudget; er verspricht nicht, dass alles für ein Dokument genutzt werden kann und zugleich unbegrenzt Platz für die Antwort bleibt.
Agentennutzung
Der Hersteller dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent für Werkzeugvorlagen und Parsing, einschließlich der Integration konfigurierter Werkzeuge und Workflows mit Code-Interpreter. Definieren Sie die Werkzeuge und das beabsichtigte Ergebnis ausdrücklich. Eine Anwendung könnte das Modell beispielsweise abgerufene Belege untersuchen und einen erlaubten Rechner verwenden lassen, bevor es einen Bericht zur Erklärung der Berechnung erstellt. Abruf und Ausführung erfolgen durch die verbundenen Werkzeuge; die Werkzeugaufruffähigkeit des Modells selbst belegt keinen Zugang zum Internet, zu einer Codeumgebung oder zu Geschäftssystemen.
Extrem lange Texte verarbeiten
Qwen dokumentiert einen optionalen Workflow, der durch die Kombination von Dual Chunk Attention mit MInference Sparse Attention ungefähr eine Million Tokens erreicht. Die erste Technik teilt lange Sequenzen in Blöcke und bewahrt dabei die Interaktionen zwischen ihnen; die zweite konzentriert Berechnungen auf ausgewählte Attention-Beziehungen. Dies ist ein zusätzlicher Konfigurationspfad jenseits des nativen Kontexts von 262.144 Tokens. Die Herstelleranleitung erfordert eine spezielle Langkontextkonfiguration und veranschlagt ungefähr 240 GB gesamten GPU-Speicher für Gewichte, gecachte Attention-Zustände und Spitzenaktivierungen.
Diese Anleitung hat konkrete Ressourcengrenzen: Gecachter Sequenzzustand, Aktivierungsspeicher und gesamte Eingabelänge können jeweils die konfigurierte Kapazität erschöpfen. Ein Workflow mit einer Million Tokens hängt daher von Konfiguration, Speicher und unterstützter Attention-Implementierung ab. Beginnen Sie bei praktischen Dokumentprüfungen mit dem relevanten Material, kennzeichnen Sie Dokumentgrenzen und fordern Sie nachvollziehbare Belege an, statt die größtmögliche Eingabe als Ersatz für eine klare Frage zu behandeln.
Generierungshinweise und Grenzen
Qwen empfiehlt temperature 0.6, top_p 0.95, top_k 20 und min_p 0. Vorgeschlagen werden ein Ausgabebudget von 32.768 Tokens für die meisten Anfragen und 81.920 für ungewöhnlich schwierige mathematische oder Programmierprobleme. Dies sind Empfehlungen für das Generierungsbudget und keine separat veröffentlichte harte Ausgabeobergrenze. Eine presence penalty zwischen null und zwei kann Wiederholungen reduzieren, höhere Werte können jedoch Sprachen mischen oder die Qualität leicht senken.
Legen Sie das Format der abschließenden Antwort im Prompt fest, etwa ein abgegrenztes mathematisches Ergebnis oder ein Antwortfeld für eine Multiple-Choice-Frage. Bewahren Sie, wie vom Hersteller empfohlen, nur den abschließenden Antwortteil im Gesprächsverlauf. Längeres Reasoning ist nützlich, wenn daraus ein überprüfbares Ergebnis entsteht; prüfen Sie Annahmen, Berechnungen und vorgeschlagenen Code, bevor Sie sich auf das Ergebnis verlassen.
", "aboutText": "Schwerpunkte: die feste Veröffentlichung Thinking-2507\n\nQwen3-30B-A3B-Thinking-2507 ist ein Textgenerierungsmodell mit einem Schwerpunkt auf anspruchsvollem Reasoning. Qwen beschreibt Verbesserungen bei Logik, Mathematik, Naturwissenschaften, Programmierung, dem Befolgen von Anweisungen, Werkzeugnutzung und Textgenerierung sowie längere Denksequenzen und ein stärkeres Verständnis langer Kontexte. Wählen Sie genau diese Ausgabe 2507, wenn die Aufgabe von anhaltendem Schlussfolgern profitiert, etwa beim Prüfen konkurrierender Erklärungen, beim Lösen eines mehrstufigen mathematischen Problems oder bei einer komplexen Codeänderung.\n\nModellübersicht und Modus\n\nDas Mixture-of-Experts-Modell hat insgesamt 30,5 Milliarden Parameter und 3,3 Milliarden aktivierte Parameter, mit 128 Experten und acht pro Token ausgewählten Experten über 48 Schichten. Sein nativer Kontext beträgt 262.144 Tokens. Es nimmt Text entgegen und gibt Text zurück; Werkzeugergebnisse werden über einen verbundenen Anwendungs-Workflow bereitgestellt. Dieser Checkpoint unterstützt ausschließlich Thinking. Er unterscheidet sich vom früheren hybriden Qwen3-30B-A3B, seiner FP8-Ausgabe und Qwen3-30B-A3B-Instruct-2507. Es darf nicht angenommen werden, dass der Non-Thinking-Schalter des Hybridmodells hier gilt.\n\nDie Standard-Chatvorlage beginnt die Reasoning-Sequenz bereits mit einem öffnenden Thinking-Marker, sodass eine ausdrückliche Einstellung enable_thinking=True unnötig ist. Eine zurückgegebene Sequenz kann den schließenden Marker enthalten, ohne den öffnenden Marker zu wiederholen. Das Herstellerbeispiel trennt die Überlegungen von der abschließenden Antwort. Bewahren Sie diese Unterscheidung, wenn Sie ein konkretes Arbeitsergebnis anfordern: Das Fazit eines Beweises, ein Patch oder eine Entscheidungstabelle sollte nach der längeren Erklärung leicht zu finden bleiben.\n\nEine anspruchsvolle Aufgabe vorbereiten\n\nGeben Sie dem Modell die vollständige Problemstellung, Randbedingungen und relevante Belege. Fügen Sie für eine Codeänderung die vorhandene Funktion, eine fehlschlagende Eingabe und das erwartete Verhalten hinzu und fordern Sie dann einen Patchvorschlag mit einer Erklärung der Randfälle an. Trennen Sie bei einer naturwissenschaftlichen Frage Beobachtungen von Annahmen und fragen Sie, welche Schlussfolgerung aus welcher Grundlage folgt. Bewahren Sie bei einer langen Richtlinie oder Spezifikation Abschnittskennungen und fordern Sie eine knappe, durch die relevanten Klauseln gestützte Entscheidung an. Dies sind praktische Anwendungen der dokumentierten Reasoning-Bereiche und keine Behauptungen, dass das Modell einen Patch ausgeführt oder ein Experiment validiert hat.\n\nDa diese Version ausführlich schlussfolgern kann, reservieren Sie Platz für Überlegungen und das endgültige Artefakt. Qwen empfiehlt bei der Modellkonfiguration nach Möglichkeit einen Kontext über 131.072 Tokens, selbst wenn ein kleinerer Kontext den Speicherdruck reduzieren würde. Der native Kontextwert umfasst das Sequenzbudget; er verspricht nicht, dass alles für ein Dokument genutzt werden kann und zugleich unbegrenzt Platz für die Antwort bleibt.\n\nAgentennutzung\n\nDer Hersteller dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent für Werkzeugvorlagen und Parsing, einschließlich der Integration konfigurierter Werkzeuge und Workflows mit Code-Interpreter. Definieren Sie die Werkzeuge und das beabsichtigte Ergebnis ausdrücklich. Eine Anwendung könnte das Modell beispielsweise abgerufene Belege untersuchen und einen erlaubten Rechner verwenden lassen, bevor es einen Bericht zur Erklärung der Berechnung erstellt. Abruf und Ausführung erfolgen durch die verbundenen Werkzeuge; die Werkzeugaufruffähigkeit des Modells selbst belegt keinen Zugang zum Internet, zu einer Codeumgebung oder zu Geschäftssystemen.\n\nExtrem lange Texte verarbeiten\n\nQwen dokumentiert einen optionalen Workflow, der durch die Kombination von Dual Chunk Attention mit MInference Sparse Attention ungefähr eine Million Tokens erreicht. Die erste Technik teilt lange Sequenzen in Blöcke und bewahrt dabei die Interaktionen zwischen ihnen; die zweite konzentriert Berechnungen auf ausgewählte Attention-Beziehungen. Dies ist ein zusätzlicher Konfigurationspfad jenseits des nativen Kontexts von 262.144 Tokens. Die Herstelleranleitung erfordert eine spezielle Langkontextkonfiguration und veranschlagt ungefähr 240 GB gesamten GPU-Speicher für Gewichte, gecachte Attention-Zustände und Spitzenaktivierungen.\n\nDiese Anleitung hat konkrete Ressourcengrenzen: Gecachter Sequenzzustand, Aktivierungsspeicher und gesamte Eingabelänge können jeweils die konfigurierte Kapazität erschöpfen. Ein Workflow mit einer Million Tokens hängt daher von Konfiguration, Speicher und unterstützter Attention-Implementierung ab. Beginnen Sie bei praktischen Dokumentprüfungen mit dem relevanten Material, kennzeichnen Sie Dokumentgrenzen und fordern Sie nachvollziehbare Belege an, statt die größtmögliche Eingabe als Ersatz für eine klare Frage zu behandeln.\n\nGenerierungshinweise und Grenzen\n\nQwen empfiehlt temperature 0.6, top_p 0.95, top_k 20 und min_p 0. Vorgeschlagen werden ein Ausgabebudget von 32.768 Tokens für die meisten Anfragen und 81.920 für ungewöhnlich schwierige mathematische oder Programmierprobleme. Dies sind Empfehlungen für das Generierungsbudget und keine separat veröffentlichte harte Ausgabeobergrenze. Eine presence penalty zwischen null und zwei kann Wiederholungen reduzieren, höhere Werte können jedoch Sprachen mischen oder die Qualität leicht senken.\n\nLegen Sie das Format der abschließenden Antwort im Prompt fest, etwa ein abgegrenztes mathematisches Ergebnis oder ein Antwortfeld für eine Multiple-Choice-Frage. Bewahren Sie, wie vom Hersteller empfohlen, nur den abschließenden Antwortteil im Gesprächsverlauf. Längeres Reasoning ist nützlich, wenn daraus ein überprüfbares Ergebnis entsteht; prüfen Sie Annahmen, Berechnungen und vorgeschlagenen Code, bevor Sie sich auf das Ergebnis verlassen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Solve a constrained staffing assignment\n\nAssign three reviewers, Ada, Ben and Cy, to morning, afternoon and evening shifts, one each. Ada cannot work evening. Ben must work later than Ada. Cy cannot work morning. List every valid assignment and explain how each constraint eliminates alternatives. Finish with whether the assignment is unique; do not assume additional availability.An enumeration of all valid assignments, a constraint check and a separate uniqueness conclusion.Every assignment uses all three shifts once and satisfies Ben later than Ada without adding availability rules.Qwen/Qwen3-30B-A3B-Thinking-2507Qwen3-30B-A3B-Thinking-2507 ist Qwens reines Thinking-Textmodell für anspruchsvolle Mathematik, Naturwissenschaften, Programmierung und logisches Schlussfolgern. Diese feste Ausgabe 2507 bietet einen nativen Kontext von 262.144 Tokens und ein größeres Reasoning-Budget, mit dokumentierten Werkzeugaufrufen und bedingt verfügbaren Workflows für extrem lange Kontexte.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Schwerpunkte: die feste Veröffentlichung Thinking-2507
Qwen3-30B-A3B-Thinking-2507 ist ein Textgenerierungsmodell mit einem Schwerpunkt auf anspruchsvollem Reasoning. Qwen beschreibt Verbesserungen bei Logik, Mathematik, Naturwissenschaften, Programmierung, dem Befolgen von Anweisungen, Werkzeugnutzung und Textgenerierung sowie längere Denksequenzen und ein stärkeres Verständnis langer Kontexte. Wählen Sie genau diese Ausgabe 2507, wenn die Aufgabe von anhaltendem Schlussfolgern profitiert, etwa beim Prüfen konkurrierender Erklärungen, beim Lösen eines mehrstufigen mathematischen Problems oder bei einer komplexen Codeänderung.
Modellübersicht und Modus
Das Mixture-of-Experts-Modell hat insgesamt 30,5 Milliarden Parameter und 3,3 Milliarden aktivierte Parameter, mit 128 Experten und acht pro Token ausgewählten Experten über 48 Schichten. Sein nativer Kontext beträgt 262.144 Tokens. Es nimmt Text entgegen und gibt Text zurück; Werkzeugergebnisse werden über einen verbundenen Anwendungs-Workflow bereitgestellt. Dieser Checkpoint unterstützt ausschließlich Thinking. Er unterscheidet sich vom früheren hybriden Qwen3-30B-A3B, seiner FP8-Ausgabe und Qwen3-30B-A3B-Instruct-2507. Es darf nicht angenommen werden, dass der Non-Thinking-Schalter des Hybridmodells hier gilt.
Die Standard-Chatvorlage beginnt die Reasoning-Sequenz bereits mit einem öffnenden Thinking-Marker, sodass eine ausdrückliche Einstellung enable_thinking=True unnötig ist. Eine zurückgegebene Sequenz kann den schließenden Marker enthalten, ohne den öffnenden Marker zu wiederholen. Das Herstellerbeispiel trennt die Überlegungen von der abschließenden Antwort. Bewahren Sie diese Unterscheidung, wenn Sie ein konkretes Arbeitsergebnis anfordern: Das Fazit eines Beweises, ein Patch oder eine Entscheidungstabelle sollte nach der längeren Erklärung leicht zu finden bleiben.
Eine anspruchsvolle Aufgabe vorbereiten
Geben Sie dem Modell die vollständige Problemstellung, Randbedingungen und relevante Belege. Fügen Sie für eine Codeänderung die vorhandene Funktion, eine fehlschlagende Eingabe und das erwartete Verhalten hinzu und fordern Sie dann einen Patchvorschlag mit einer Erklärung der Randfälle an. Trennen Sie bei einer naturwissenschaftlichen Frage Beobachtungen von Annahmen und fragen Sie, welche Schlussfolgerung aus welcher Grundlage folgt. Bewahren Sie bei einer langen Richtlinie oder Spezifikation Abschnittskennungen und fordern Sie eine knappe, durch die relevanten Klauseln gestützte Entscheidung an. Dies sind praktische Anwendungen der dokumentierten Reasoning-Bereiche und keine Behauptungen, dass das Modell einen Patch ausgeführt oder ein Experiment validiert hat.
Da diese Version ausführlich schlussfolgern kann, reservieren Sie Platz für Überlegungen und das endgültige Artefakt. Qwen empfiehlt bei der Modellkonfiguration nach Möglichkeit einen Kontext über 131.072 Tokens, selbst wenn ein kleinerer Kontext den Speicherdruck reduzieren würde. Der native Kontextwert umfasst das Sequenzbudget; er verspricht nicht, dass alles für ein Dokument genutzt werden kann und zugleich unbegrenzt Platz für die Antwort bleibt.
Agentennutzung
Der Hersteller dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent für Werkzeugvorlagen und Parsing, einschließlich der Integration konfigurierter Werkzeuge und Workflows mit Code-Interpreter. Definieren Sie die Werkzeuge und das beabsichtigte Ergebnis ausdrücklich. Eine Anwendung könnte das Modell beispielsweise abgerufene Belege untersuchen und einen erlaubten Rechner verwenden lassen, bevor es einen Bericht zur Erklärung der Berechnung erstellt. Abruf und Ausführung erfolgen durch die verbundenen Werkzeuge; die Werkzeugaufruffähigkeit des Modells selbst belegt keinen Zugang zum Internet, zu einer Codeumgebung oder zu Geschäftssystemen.
Extrem lange Texte verarbeiten
Qwen dokumentiert einen optionalen Workflow, der durch die Kombination von Dual Chunk Attention mit MInference Sparse Attention ungefähr eine Million Tokens erreicht. Die erste Technik teilt lange Sequenzen in Blöcke und bewahrt dabei die Interaktionen zwischen ihnen; die zweite konzentriert Berechnungen auf ausgewählte Attention-Beziehungen. Dies ist ein zusätzlicher Konfigurationspfad jenseits des nativen Kontexts von 262.144 Tokens. Die Herstelleranleitung erfordert eine spezielle Langkontextkonfiguration und veranschlagt ungefähr 240 GB gesamten GPU-Speicher für Gewichte, gecachte Attention-Zustände und Spitzenaktivierungen.
Diese Anleitung hat konkrete Ressourcengrenzen: Gecachter Sequenzzustand, Aktivierungsspeicher und gesamte Eingabelänge können jeweils die konfigurierte Kapazität erschöpfen. Ein Workflow mit einer Million Tokens hängt daher von Konfiguration, Speicher und unterstützter Attention-Implementierung ab. Beginnen Sie bei praktischen Dokumentprüfungen mit dem relevanten Material, kennzeichnen Sie Dokumentgrenzen und fordern Sie nachvollziehbare Belege an, statt die größtmögliche Eingabe als Ersatz für eine klare Frage zu behandeln.
Generierungshinweise und Grenzen
Qwen empfiehlt temperature 0.6, top_p 0.95, top_k 20 und min_p 0. Vorgeschlagen werden ein Ausgabebudget von 32.768 Tokens für die meisten Anfragen und 81.920 für ungewöhnlich schwierige mathematische oder Programmierprobleme. Dies sind Empfehlungen für das Generierungsbudget und keine separat veröffentlichte harte Ausgabeobergrenze. Eine presence penalty zwischen null und zwei kann Wiederholungen reduzieren, höhere Werte können jedoch Sprachen mischen oder die Qualität leicht senken.
Legen Sie das Format der abschließenden Antwort im Prompt fest, etwa ein abgegrenztes mathematisches Ergebnis oder ein Antwortfeld für eine Multiple-Choice-Frage. Bewahren Sie, wie vom Hersteller empfohlen, nur den abschließenden Antwortteil im Gesprächsverlauf. Längeres Reasoning ist nützlich, wenn daraus ein überprüfbares Ergebnis entsteht; prüfen Sie Annahmen, Berechnungen und vorgeschlagenen Code, bevor Sie sich auf das Ergebnis verlassen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Qwen/Qwen3-30B-A3B-Thinking-2507 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Modellabhängig | Standard— |
Feldmessages[].content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Textgespräch | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
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 |
Parametercontrol_scope | VertragTextgespräch; stream ist ein boolescher Wert und standardmäßig false. |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Methodenaliasnamen: /chat/completions
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 $0.0002 / 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-Thinking-2507","messages":[{"role":"user","content":"hello"}],"stream":false}')\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-Thinking-2507", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
Qwen/Qwen3-30B-A3B-Thinking-2507Qwen3-30B-A3B-Thinking-2507 ist Qwens reines Thinking-Textmodell für anspruchsvolle Mathematik, Naturwissenschaften, Programmierung und logisches Schlussfolgern. Diese feste Ausgabe 2507 bietet einen nativen Kontext von 262.144 Tokens und ein größeres Reasoning-Budget, mit dokumentierten Werkzeugaufrufen und bedingt verfügbaren Workflows für extrem lange Kontexte.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Schwerpunkte: die feste Veröffentlichung Thinking-2507
Qwen3-30B-A3B-Thinking-2507 ist ein Textgenerierungsmodell mit einem Schwerpunkt auf anspruchsvollem Reasoning. Qwen beschreibt Verbesserungen bei Logik, Mathematik, Naturwissenschaften, Programmierung, dem Befolgen von Anweisungen, Werkzeugnutzung und Textgenerierung sowie längere Denksequenzen und ein stärkeres Verständnis langer Kontexte. Wählen Sie genau diese Ausgabe 2507, wenn die Aufgabe von anhaltendem Schlussfolgern profitiert, etwa beim Prüfen konkurrierender Erklärungen, beim Lösen eines mehrstufigen mathematischen Problems oder bei einer komplexen Codeänderung.
Modellübersicht und Modus
Das Mixture-of-Experts-Modell hat insgesamt 30,5 Milliarden Parameter und 3,3 Milliarden aktivierte Parameter, mit 128 Experten und acht pro Token ausgewählten Experten über 48 Schichten. Sein nativer Kontext beträgt 262.144 Tokens. Es nimmt Text entgegen und gibt Text zurück; Werkzeugergebnisse werden über einen verbundenen Anwendungs-Workflow bereitgestellt. Dieser Checkpoint unterstützt ausschließlich Thinking. Er unterscheidet sich vom früheren hybriden Qwen3-30B-A3B, seiner FP8-Ausgabe und Qwen3-30B-A3B-Instruct-2507. Es darf nicht angenommen werden, dass der Non-Thinking-Schalter des Hybridmodells hier gilt.
Die Standard-Chatvorlage beginnt die Reasoning-Sequenz bereits mit einem öffnenden Thinking-Marker, sodass eine ausdrückliche Einstellung enable_thinking=True unnötig ist. Eine zurückgegebene Sequenz kann den schließenden Marker enthalten, ohne den öffnenden Marker zu wiederholen. Das Herstellerbeispiel trennt die Überlegungen von der abschließenden Antwort. Bewahren Sie diese Unterscheidung, wenn Sie ein konkretes Arbeitsergebnis anfordern: Das Fazit eines Beweises, ein Patch oder eine Entscheidungstabelle sollte nach der längeren Erklärung leicht zu finden bleiben.
Eine anspruchsvolle Aufgabe vorbereiten
Geben Sie dem Modell die vollständige Problemstellung, Randbedingungen und relevante Belege. Fügen Sie für eine Codeänderung die vorhandene Funktion, eine fehlschlagende Eingabe und das erwartete Verhalten hinzu und fordern Sie dann einen Patchvorschlag mit einer Erklärung der Randfälle an. Trennen Sie bei einer naturwissenschaftlichen Frage Beobachtungen von Annahmen und fragen Sie, welche Schlussfolgerung aus welcher Grundlage folgt. Bewahren Sie bei einer langen Richtlinie oder Spezifikation Abschnittskennungen und fordern Sie eine knappe, durch die relevanten Klauseln gestützte Entscheidung an. Dies sind praktische Anwendungen der dokumentierten Reasoning-Bereiche und keine Behauptungen, dass das Modell einen Patch ausgeführt oder ein Experiment validiert hat.
Da diese Version ausführlich schlussfolgern kann, reservieren Sie Platz für Überlegungen und das endgültige Artefakt. Qwen empfiehlt bei der Modellkonfiguration nach Möglichkeit einen Kontext über 131.072 Tokens, selbst wenn ein kleinerer Kontext den Speicherdruck reduzieren würde. Der native Kontextwert umfasst das Sequenzbudget; er verspricht nicht, dass alles für ein Dokument genutzt werden kann und zugleich unbegrenzt Platz für die Antwort bleibt.
Agentennutzung
Der Hersteller dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent für Werkzeugvorlagen und Parsing, einschließlich der Integration konfigurierter Werkzeuge und Workflows mit Code-Interpreter. Definieren Sie die Werkzeuge und das beabsichtigte Ergebnis ausdrücklich. Eine Anwendung könnte das Modell beispielsweise abgerufene Belege untersuchen und einen erlaubten Rechner verwenden lassen, bevor es einen Bericht zur Erklärung der Berechnung erstellt. Abruf und Ausführung erfolgen durch die verbundenen Werkzeuge; die Werkzeugaufruffähigkeit des Modells selbst belegt keinen Zugang zum Internet, zu einer Codeumgebung oder zu Geschäftssystemen.
Extrem lange Texte verarbeiten
Qwen dokumentiert einen optionalen Workflow, der durch die Kombination von Dual Chunk Attention mit MInference Sparse Attention ungefähr eine Million Tokens erreicht. Die erste Technik teilt lange Sequenzen in Blöcke und bewahrt dabei die Interaktionen zwischen ihnen; die zweite konzentriert Berechnungen auf ausgewählte Attention-Beziehungen. Dies ist ein zusätzlicher Konfigurationspfad jenseits des nativen Kontexts von 262.144 Tokens. Die Herstelleranleitung erfordert eine spezielle Langkontextkonfiguration und veranschlagt ungefähr 240 GB gesamten GPU-Speicher für Gewichte, gecachte Attention-Zustände und Spitzenaktivierungen.
Diese Anleitung hat konkrete Ressourcengrenzen: Gecachter Sequenzzustand, Aktivierungsspeicher und gesamte Eingabelänge können jeweils die konfigurierte Kapazität erschöpfen. Ein Workflow mit einer Million Tokens hängt daher von Konfiguration, Speicher und unterstützter Attention-Implementierung ab. Beginnen Sie bei praktischen Dokumentprüfungen mit dem relevanten Material, kennzeichnen Sie Dokumentgrenzen und fordern Sie nachvollziehbare Belege an, statt die größtmögliche Eingabe als Ersatz für eine klare Frage zu behandeln.
Generierungshinweise und Grenzen
Qwen empfiehlt temperature 0.6, top_p 0.95, top_k 20 und min_p 0. Vorgeschlagen werden ein Ausgabebudget von 32.768 Tokens für die meisten Anfragen und 81.920 für ungewöhnlich schwierige mathematische oder Programmierprobleme. Dies sind Empfehlungen für das Generierungsbudget und keine separat veröffentlichte harte Ausgabeobergrenze. Eine presence penalty zwischen null und zwei kann Wiederholungen reduzieren, höhere Werte können jedoch Sprachen mischen oder die Qualität leicht senken.
Legen Sie das Format der abschließenden Antwort im Prompt fest, etwa ein abgegrenztes mathematisches Ergebnis oder ein Antwortfeld für eine Multiple-Choice-Frage. Bewahren Sie, wie vom Hersteller empfohlen, nur den abschließenden Antwortteil im Gesprächsverlauf. Längeres Reasoning ist nützlich, wenn daraus ein überprüfbares Ergebnis entsteht; prüfen Sie Annahmen, Berechnungen und vorgeschlagenen Code, bevor Sie sich auf das Ergebnis verlassen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits Qwen/Qwen3-30B-A3B-Thinking-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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0008 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "Qwen/Qwen3-30B-A3B-Thinking-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Thinking-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-Thinking-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-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
qwen3-30b-a3b-thinking-2507Qwen3-30B-A3B-Thinking-2507 ist Qwens reines Thinking-Textmodell für anspruchsvolle Mathematik, Naturwissenschaften, Programmierung und logisches Schlussfolgern. Diese feste Ausgabe 2507 bietet einen nativen Kontext von 262.144 Tokens und ein größeres Reasoning-Budget, mit dokumentierten Werkzeugaufrufen und bedingt verfügbaren Workflows für extrem lange Kontexte.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Schwerpunkte: die feste Veröffentlichung Thinking-2507
Qwen3-30B-A3B-Thinking-2507 ist ein Textgenerierungsmodell mit einem Schwerpunkt auf anspruchsvollem Reasoning. Qwen beschreibt Verbesserungen bei Logik, Mathematik, Naturwissenschaften, Programmierung, dem Befolgen von Anweisungen, Werkzeugnutzung und Textgenerierung sowie längere Denksequenzen und ein stärkeres Verständnis langer Kontexte. Wählen Sie genau diese Ausgabe 2507, wenn die Aufgabe von anhaltendem Schlussfolgern profitiert, etwa beim Prüfen konkurrierender Erklärungen, beim Lösen eines mehrstufigen mathematischen Problems oder bei einer komplexen Codeänderung.
Modellübersicht und Modus
Das Mixture-of-Experts-Modell hat insgesamt 30,5 Milliarden Parameter und 3,3 Milliarden aktivierte Parameter, mit 128 Experten und acht pro Token ausgewählten Experten über 48 Schichten. Sein nativer Kontext beträgt 262.144 Tokens. Es nimmt Text entgegen und gibt Text zurück; Werkzeugergebnisse werden über einen verbundenen Anwendungs-Workflow bereitgestellt. Dieser Checkpoint unterstützt ausschließlich Thinking. Er unterscheidet sich vom früheren hybriden Qwen3-30B-A3B, seiner FP8-Ausgabe und Qwen3-30B-A3B-Instruct-2507. Es darf nicht angenommen werden, dass der Non-Thinking-Schalter des Hybridmodells hier gilt.
Die Standard-Chatvorlage beginnt die Reasoning-Sequenz bereits mit einem öffnenden Thinking-Marker, sodass eine ausdrückliche Einstellung enable_thinking=True unnötig ist. Eine zurückgegebene Sequenz kann den schließenden Marker enthalten, ohne den öffnenden Marker zu wiederholen. Das Herstellerbeispiel trennt die Überlegungen von der abschließenden Antwort. Bewahren Sie diese Unterscheidung, wenn Sie ein konkretes Arbeitsergebnis anfordern: Das Fazit eines Beweises, ein Patch oder eine Entscheidungstabelle sollte nach der längeren Erklärung leicht zu finden bleiben.
Eine anspruchsvolle Aufgabe vorbereiten
Geben Sie dem Modell die vollständige Problemstellung, Randbedingungen und relevante Belege. Fügen Sie für eine Codeänderung die vorhandene Funktion, eine fehlschlagende Eingabe und das erwartete Verhalten hinzu und fordern Sie dann einen Patchvorschlag mit einer Erklärung der Randfälle an. Trennen Sie bei einer naturwissenschaftlichen Frage Beobachtungen von Annahmen und fragen Sie, welche Schlussfolgerung aus welcher Grundlage folgt. Bewahren Sie bei einer langen Richtlinie oder Spezifikation Abschnittskennungen und fordern Sie eine knappe, durch die relevanten Klauseln gestützte Entscheidung an. Dies sind praktische Anwendungen der dokumentierten Reasoning-Bereiche und keine Behauptungen, dass das Modell einen Patch ausgeführt oder ein Experiment validiert hat.
Da diese Version ausführlich schlussfolgern kann, reservieren Sie Platz für Überlegungen und das endgültige Artefakt. Qwen empfiehlt bei der Modellkonfiguration nach Möglichkeit einen Kontext über 131.072 Tokens, selbst wenn ein kleinerer Kontext den Speicherdruck reduzieren würde. Der native Kontextwert umfasst das Sequenzbudget; er verspricht nicht, dass alles für ein Dokument genutzt werden kann und zugleich unbegrenzt Platz für die Antwort bleibt.
Agentennutzung
Der Hersteller dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent für Werkzeugvorlagen und Parsing, einschließlich der Integration konfigurierter Werkzeuge und Workflows mit Code-Interpreter. Definieren Sie die Werkzeuge und das beabsichtigte Ergebnis ausdrücklich. Eine Anwendung könnte das Modell beispielsweise abgerufene Belege untersuchen und einen erlaubten Rechner verwenden lassen, bevor es einen Bericht zur Erklärung der Berechnung erstellt. Abruf und Ausführung erfolgen durch die verbundenen Werkzeuge; die Werkzeugaufruffähigkeit des Modells selbst belegt keinen Zugang zum Internet, zu einer Codeumgebung oder zu Geschäftssystemen.
Extrem lange Texte verarbeiten
Qwen dokumentiert einen optionalen Workflow, der durch die Kombination von Dual Chunk Attention mit MInference Sparse Attention ungefähr eine Million Tokens erreicht. Die erste Technik teilt lange Sequenzen in Blöcke und bewahrt dabei die Interaktionen zwischen ihnen; die zweite konzentriert Berechnungen auf ausgewählte Attention-Beziehungen. Dies ist ein zusätzlicher Konfigurationspfad jenseits des nativen Kontexts von 262.144 Tokens. Die Herstelleranleitung erfordert eine spezielle Langkontextkonfiguration und veranschlagt ungefähr 240 GB gesamten GPU-Speicher für Gewichte, gecachte Attention-Zustände und Spitzenaktivierungen.
Diese Anleitung hat konkrete Ressourcengrenzen: Gecachter Sequenzzustand, Aktivierungsspeicher und gesamte Eingabelänge können jeweils die konfigurierte Kapazität erschöpfen. Ein Workflow mit einer Million Tokens hängt daher von Konfiguration, Speicher und unterstützter Attention-Implementierung ab. Beginnen Sie bei praktischen Dokumentprüfungen mit dem relevanten Material, kennzeichnen Sie Dokumentgrenzen und fordern Sie nachvollziehbare Belege an, statt die größtmögliche Eingabe als Ersatz für eine klare Frage zu behandeln.
Generierungshinweise und Grenzen
Qwen empfiehlt temperature 0.6, top_p 0.95, top_k 20 und min_p 0. Vorgeschlagen werden ein Ausgabebudget von 32.768 Tokens für die meisten Anfragen und 81.920 für ungewöhnlich schwierige mathematische oder Programmierprobleme. Dies sind Empfehlungen für das Generierungsbudget und keine separat veröffentlichte harte Ausgabeobergrenze. Eine presence penalty zwischen null und zwei kann Wiederholungen reduzieren, höhere Werte können jedoch Sprachen mischen oder die Qualität leicht senken.
Legen Sie das Format der abschließenden Antwort im Prompt fest, etwa ein abgegrenztes mathematisches Ergebnis oder ein Antwortfeld für eine Multiple-Choice-Frage. Bewahren Sie, wie vom Hersteller empfohlen, nur den abschließenden Antwortteil im Gesprächsverlauf. Längeres Reasoning ist nützlich, wenn daraus ein überprüfbares Ergebnis entsteht; prüfen Sie Annahmen, Berechnungen und vorgeschlagenen Code, bevor Sie sich auf das Ergebnis verlassen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen3-30b-a3b-thinking-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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | 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": "qwen3-30b-a3b-thinking-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='qwen3-30b-a3b-thinking-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='qwen3-30b-a3b-thinking-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-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
qwen3-30b-a3b-thinking-2507Qwen3-30B-A3B-Thinking-2507 ist Qwens reines Thinking-Textmodell für anspruchsvolle Mathematik, Naturwissenschaften, Programmierung und logisches Schlussfolgern. Diese feste Ausgabe 2507 bietet einen nativen Kontext von 262.144 Tokens und ein größeres Reasoning-Budget, mit dokumentierten Werkzeugaufrufen und bedingt verfügbaren Workflows für extrem lange Kontexte.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Schwerpunkte: die feste Veröffentlichung Thinking-2507
Qwen3-30B-A3B-Thinking-2507 ist ein Textgenerierungsmodell mit einem Schwerpunkt auf anspruchsvollem Reasoning. Qwen beschreibt Verbesserungen bei Logik, Mathematik, Naturwissenschaften, Programmierung, dem Befolgen von Anweisungen, Werkzeugnutzung und Textgenerierung sowie längere Denksequenzen und ein stärkeres Verständnis langer Kontexte. Wählen Sie genau diese Ausgabe 2507, wenn die Aufgabe von anhaltendem Schlussfolgern profitiert, etwa beim Prüfen konkurrierender Erklärungen, beim Lösen eines mehrstufigen mathematischen Problems oder bei einer komplexen Codeänderung.
Modellübersicht und Modus
Das Mixture-of-Experts-Modell hat insgesamt 30,5 Milliarden Parameter und 3,3 Milliarden aktivierte Parameter, mit 128 Experten und acht pro Token ausgewählten Experten über 48 Schichten. Sein nativer Kontext beträgt 262.144 Tokens. Es nimmt Text entgegen und gibt Text zurück; Werkzeugergebnisse werden über einen verbundenen Anwendungs-Workflow bereitgestellt. Dieser Checkpoint unterstützt ausschließlich Thinking. Er unterscheidet sich vom früheren hybriden Qwen3-30B-A3B, seiner FP8-Ausgabe und Qwen3-30B-A3B-Instruct-2507. Es darf nicht angenommen werden, dass der Non-Thinking-Schalter des Hybridmodells hier gilt.
Die Standard-Chatvorlage beginnt die Reasoning-Sequenz bereits mit einem öffnenden Thinking-Marker, sodass eine ausdrückliche Einstellung enable_thinking=True unnötig ist. Eine zurückgegebene Sequenz kann den schließenden Marker enthalten, ohne den öffnenden Marker zu wiederholen. Das Herstellerbeispiel trennt die Überlegungen von der abschließenden Antwort. Bewahren Sie diese Unterscheidung, wenn Sie ein konkretes Arbeitsergebnis anfordern: Das Fazit eines Beweises, ein Patch oder eine Entscheidungstabelle sollte nach der längeren Erklärung leicht zu finden bleiben.
Eine anspruchsvolle Aufgabe vorbereiten
Geben Sie dem Modell die vollständige Problemstellung, Randbedingungen und relevante Belege. Fügen Sie für eine Codeänderung die vorhandene Funktion, eine fehlschlagende Eingabe und das erwartete Verhalten hinzu und fordern Sie dann einen Patchvorschlag mit einer Erklärung der Randfälle an. Trennen Sie bei einer naturwissenschaftlichen Frage Beobachtungen von Annahmen und fragen Sie, welche Schlussfolgerung aus welcher Grundlage folgt. Bewahren Sie bei einer langen Richtlinie oder Spezifikation Abschnittskennungen und fordern Sie eine knappe, durch die relevanten Klauseln gestützte Entscheidung an. Dies sind praktische Anwendungen der dokumentierten Reasoning-Bereiche und keine Behauptungen, dass das Modell einen Patch ausgeführt oder ein Experiment validiert hat.
Da diese Version ausführlich schlussfolgern kann, reservieren Sie Platz für Überlegungen und das endgültige Artefakt. Qwen empfiehlt bei der Modellkonfiguration nach Möglichkeit einen Kontext über 131.072 Tokens, selbst wenn ein kleinerer Kontext den Speicherdruck reduzieren würde. Der native Kontextwert umfasst das Sequenzbudget; er verspricht nicht, dass alles für ein Dokument genutzt werden kann und zugleich unbegrenzt Platz für die Antwort bleibt.
Agentennutzung
Der Hersteller dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent für Werkzeugvorlagen und Parsing, einschließlich der Integration konfigurierter Werkzeuge und Workflows mit Code-Interpreter. Definieren Sie die Werkzeuge und das beabsichtigte Ergebnis ausdrücklich. Eine Anwendung könnte das Modell beispielsweise abgerufene Belege untersuchen und einen erlaubten Rechner verwenden lassen, bevor es einen Bericht zur Erklärung der Berechnung erstellt. Abruf und Ausführung erfolgen durch die verbundenen Werkzeuge; die Werkzeugaufruffähigkeit des Modells selbst belegt keinen Zugang zum Internet, zu einer Codeumgebung oder zu Geschäftssystemen.
Extrem lange Texte verarbeiten
Qwen dokumentiert einen optionalen Workflow, der durch die Kombination von Dual Chunk Attention mit MInference Sparse Attention ungefähr eine Million Tokens erreicht. Die erste Technik teilt lange Sequenzen in Blöcke und bewahrt dabei die Interaktionen zwischen ihnen; die zweite konzentriert Berechnungen auf ausgewählte Attention-Beziehungen. Dies ist ein zusätzlicher Konfigurationspfad jenseits des nativen Kontexts von 262.144 Tokens. Die Herstelleranleitung erfordert eine spezielle Langkontextkonfiguration und veranschlagt ungefähr 240 GB gesamten GPU-Speicher für Gewichte, gecachte Attention-Zustände und Spitzenaktivierungen.
Diese Anleitung hat konkrete Ressourcengrenzen: Gecachter Sequenzzustand, Aktivierungsspeicher und gesamte Eingabelänge können jeweils die konfigurierte Kapazität erschöpfen. Ein Workflow mit einer Million Tokens hängt daher von Konfiguration, Speicher und unterstützter Attention-Implementierung ab. Beginnen Sie bei praktischen Dokumentprüfungen mit dem relevanten Material, kennzeichnen Sie Dokumentgrenzen und fordern Sie nachvollziehbare Belege an, statt die größtmögliche Eingabe als Ersatz für eine klare Frage zu behandeln.
Generierungshinweise und Grenzen
Qwen empfiehlt temperature 0.6, top_p 0.95, top_k 20 und min_p 0. Vorgeschlagen werden ein Ausgabebudget von 32.768 Tokens für die meisten Anfragen und 81.920 für ungewöhnlich schwierige mathematische oder Programmierprobleme. Dies sind Empfehlungen für das Generierungsbudget und keine separat veröffentlichte harte Ausgabeobergrenze. Eine presence penalty zwischen null und zwei kann Wiederholungen reduzieren, höhere Werte können jedoch Sprachen mischen oder die Qualität leicht senken.
Legen Sie das Format der abschließenden Antwort im Prompt fest, etwa ein abgegrenztes mathematisches Ergebnis oder ein Antwortfeld für eine Multiple-Choice-Frage. Bewahren Sie, wie vom Hersteller empfohlen, nur den abschließenden Antwortteil im Gesprächsverlauf. Längeres Reasoning ist nützlich, wenn daraus ein überprüfbares Ergebnis entsteht; prüfen Sie Annahmen, Berechnungen und vorgeschlagenen Code, bevor Sie sich auf das Ergebnis verlassen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen3-30b-a3b-thinking-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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0008 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen3-30b-a3b-thinking-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-30b-a3b-thinking-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': 'qwen3-30b-a3b-thinking-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-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
Technisches Beispiel auf Englisch
Solve a constrained staffing assignment\n\nAssign three reviewers, Ada, Ben and Cy, to morning, afternoon and evening shifts, one each. Ada cannot work evening. Ben must work later than Ada. Cy cannot work morning. List every valid assignment and explain how each constraint eliminates alternatives. Finish with whether the assignment is unique; do not assume additional availability.An enumeration of all valid assignments, a constraint check and a separate uniqueness conclusion.Every assignment uses all three shifts once and satisfies Ben later than Ada without adding availability rules.