Die Stärken von Qwen3.8: fortlaufendes textbasiertes Schlussfolgern
Qwen3.8-2.4T-A95B ist der offene Qwen3.8-Checkpoint für textbasiertes Schlussfolgern. Qwen beschreibt Verbesserungen bei Programmierung, Fachaufgaben, Recherche und langfristigen Agentenaufgaben, einschließlich Planung und Nutzung von Rückmeldungen aus der Umgebung. Er verarbeitet Text und gibt Text zurück. Der Hersteller grenzt ihn ausdrücklich vom verwalteten Angebot Qwen3.8-Max ab: Bildeingaben und die Unterstützung eines Modus ohne Denkprozess sind zusätzliche Funktionen dieses Angebots und keine Fähigkeiten genau dieses offenen Checkpoints.
Geben Sie für eine Programmieraufgabe die relevanten Module, die Anforderung und eine Eingabe an, die das aktuelle Verhalten sichtbar macht. Fordern Sie eine erläuterte Änderung und ein überprüfbares fertiges Arbeitsergebnis an. Stellen Sie für eine Recherche oder einen Fachbericht die Belege, die erforderlichen Abschnitte und die Bewertungskriterien bereit. Bitten Sie das Modell anschließend, belegte Erkenntnisse von Annahmen zu unterscheiden. Dies sind praktische Anwendungen des dokumentierten Aufgabenbereichs, keine Zusagen für ausgeführten Code oder fachlich zertifizierte Schlussfolgerungen.
Modellübersicht
Das spärlich aktivierte Mixture-of-Experts-Modell besitzt insgesamt 2.4 Billionen Parameter und aktiviert davon 95 Milliarden. Es hat 92 Schichten und 512 geroutete Experten; ausgewählt werden zehn geroutete Experten gemeinsam mit einem geteilten Experten. Seine Hybridblöcke verbinden Gated DeltaNet und Gated Attention mit Expertenschichten in einem Drei-zu-eins-Muster. Multi-Token Prediction ist Teil seines Trainings. Die Zahl aktivierter Parameter entspricht nicht der vollständigen Checkpoint-Größe, und eine hohe Gesamtzahl begründet keine Garantie für die Antwortzeit.
Der native Kontext umfasst 262,144 Token, mit einer dokumentierten Erweiterung auf bis zu 1,010,000. Dies unterscheidet sich vom standardmäßigen Kontext mit einer Million Token in der Referenz zum verwalteten Max-Angebot. Verwenden Sie das tatsächlich konfigurierte Sequenzbudget für Ausgangstext, Gesprächsverlauf, Denkprozess und endgültige Antwort, statt anzunehmen, dass sämtliche Höchstwerte gleichzeitig gelten.
Den genauen Checkpoint mit Denkmodus verwenden
Der Denkmodus ist bei jeder Interaktion erforderlich und kann nicht deaktiviert werden. Die dokumentierte Ausgabe beginnt vor dem endgültigen Text mit einem Denkblock. reasoning_effort unterstützt xhigh, medium und low; xhigh ist die Voreinstellung. Low reduziert die vorgesehene Analysetiefe, bleibt aber ein Denkmodus. Die Bitte um eine knappe endgültige Antwort kann das gewünschte Arbeitsergebnis steuern, ohne dieses Modell in eine Edition ohne Denkmodus umzuwandeln.
preserve_thinking ist standardmäßig aktiviert. Werden Schlussfolgerungen aus früheren Gesprächsschritten beibehalten, kann eine iterative Aufgabe den Kontext ihrer Entscheidungen weiterführen. Halten Sie Korrekturen, Werkzeugergebnisse und die endgültige Antwort den Gesprächsschritten zugeordnet, aus denen sie hervorgegangen sind. Für dieses Modell gelten seine eigenen Vorgaben zum Gesprächsverlauf; ältere Empfehlungen, alle Denkblöcke aus früheren Nachrichten zu entfernen, sollten nicht übernommen werden. Wie Einstellungen für Aufwand und Beibehaltung tatsächlich zugänglich sind, hängt von der Oberfläche ab, die die Checkpoint-Anleitung implementiert.
Entwicklungsumgebungen und Rückmeldungen aus der Umgebung
Qwen beschreibt die Kompatibilität mit Entwicklungsumgebungen für Agenten und mit Werkzeugen. Eine fortlaufende Aufgabe lässt sich als Ziel, erlaubte Aktionen und Nachweise für ihre Erledigung formulieren. Die Anwendung kann anschließend Beobachtungen aus Prüfung oder Ausführung bereitstellen. Bitten Sie das Modell zu erläutern, wie jedes neue Ergebnis den Plan verändert, und zu berichten, was noch offen ist. Eine Aktion zu planen und ein tatsächliches Ergebnis zu erhalten sind unterschiedliche Bestandteile dieses Ablaufs.
Die Beispiele der Modellkarte für das verwaltete Max-Angebot enthalten zusätzliche integrierte Werkzeuge. Daraus dürfen keine automatische Websuche, Codeausführung oder visuellen Eingaben für dieses offene Modell abgeleitet werden. Seine sinnvolle Rolle ist eine Komponente für textbasiertes Schlussfolgern in einem angeschlossenen Ablauf; Werkzeuge und externe Wirkungen gehören zur Anwendung, die sie bereitstellt.
Empfehlungen zur Generierung
Der Hersteller empfiehlt temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 und repetition penalty 1.0. Soweit unterstützt, kann eine presence penalty zwischen null und zwei wiederholten Text verringern; höhere Werte können jedoch Sprachen vermischen oder die Qualität leicht senken. Welche Parameter unterstützt werden, hängt von der Implementierung ab.
Für einen auf eine Million Token konfigurierten Ablauf mit getrennten Grenzen für Denkprozess und endgültige Antwort empfiehlt Qwen 262,144 Token für den Denkprozess und 131,072 für die endgültige Antwort. Dies sind bedingte Zuteilungen, keine eigenständig festgelegten harten Grenzen oder Budgets, die zusammen in den nativen Kontext von 262,144 Token passen. Planen Sie ausreichend Platz für ein vollständiges Arbeitsergebnis ein und verlangen Sie eine endgültige Ausgabe, die nach dem Denkprozess leicht zu finden ist.
Praktische Grenzen
Dieser Checkpoint verarbeitet keine Bilder, Audio- oder Videodaten. Wandeln Sie relevante Belege bei Bedarf in einem getrennten Ablauf in eine geeignete Textdarstellung um und behalten Sie Kennungen bei, mit denen sich die Antwort prüfen lässt. Die Modellkarte nennt einen erweiterten Kontext, liefert jedoch weder eine vollständige aufgabenspezifische Anleitung zur Erweiterung noch eine allgemeingültige Mediengrenze für dieses reine Textmodell. Bewahren Sie die genaue Checkpoint-Identität und Konfiguration, prüfen Sie Berechnungen und Codevorschläge anhand der Quelle und behandeln Sie das fertige Arbeitsergebnis als prüfbares Resultat, statt als Beleg dafür, dass eine gesamte externe Aufgabe erledigt wurde.
", "aboutText": "Die Stärken von Qwen3.8: fortlaufendes textbasiertes Schlussfolgern\n\nQwen3.8-2.4T-A95B ist der offene Qwen3.8-Checkpoint für textbasiertes Schlussfolgern. Qwen beschreibt Verbesserungen bei Programmierung, Fachaufgaben, Recherche und langfristigen Agentenaufgaben, einschließlich Planung und Nutzung von Rückmeldungen aus der Umgebung. Er verarbeitet Text und gibt Text zurück. Der Hersteller grenzt ihn ausdrücklich vom verwalteten Angebot Qwen3.8-Max ab: Bildeingaben und die Unterstützung eines Modus ohne Denkprozess sind zusätzliche Funktionen dieses Angebots und keine Fähigkeiten genau dieses offenen Checkpoints.\n\nGeben Sie für eine Programmieraufgabe die relevanten Module, die Anforderung und eine Eingabe an, die das aktuelle Verhalten sichtbar macht. Fordern Sie eine erläuterte Änderung und ein überprüfbares fertiges Arbeitsergebnis an. Stellen Sie für eine Recherche oder einen Fachbericht die Belege, die erforderlichen Abschnitte und die Bewertungskriterien bereit. Bitten Sie das Modell anschließend, belegte Erkenntnisse von Annahmen zu unterscheiden. Dies sind praktische Anwendungen des dokumentierten Aufgabenbereichs, keine Zusagen für ausgeführten Code oder fachlich zertifizierte Schlussfolgerungen.\n\nModellübersicht\n\nDas spärlich aktivierte Mixture-of-Experts-Modell besitzt insgesamt 2.4 Billionen Parameter und aktiviert davon 95 Milliarden. Es hat 92 Schichten und 512 geroutete Experten; ausgewählt werden zehn geroutete Experten gemeinsam mit einem geteilten Experten. Seine Hybridblöcke verbinden Gated DeltaNet und Gated Attention mit Expertenschichten in einem Drei-zu-eins-Muster. Multi-Token Prediction ist Teil seines Trainings. Die Zahl aktivierter Parameter entspricht nicht der vollständigen Checkpoint-Größe, und eine hohe Gesamtzahl begründet keine Garantie für die Antwortzeit.\n\nDer native Kontext umfasst 262,144 Token, mit einer dokumentierten Erweiterung auf bis zu 1,010,000. Dies unterscheidet sich vom standardmäßigen Kontext mit einer Million Token in der Referenz zum verwalteten Max-Angebot. Verwenden Sie das tatsächlich konfigurierte Sequenzbudget für Ausgangstext, Gesprächsverlauf, Denkprozess und endgültige Antwort, statt anzunehmen, dass sämtliche Höchstwerte gleichzeitig gelten.\n\nDen genauen Checkpoint mit Denkmodus verwenden\n\nDer Denkmodus ist bei jeder Interaktion erforderlich und kann nicht deaktiviert werden. Die dokumentierte Ausgabe beginnt vor dem endgültigen Text mit einem Denkblock. reasoning_effort unterstützt xhigh, medium und low; xhigh ist die Voreinstellung. Low reduziert die vorgesehene Analysetiefe, bleibt aber ein Denkmodus. Die Bitte um eine knappe endgültige Antwort kann das gewünschte Arbeitsergebnis steuern, ohne dieses Modell in eine Edition ohne Denkmodus umzuwandeln.\n\npreserve_thinking ist standardmäßig aktiviert. Werden Schlussfolgerungen aus früheren Gesprächsschritten beibehalten, kann eine iterative Aufgabe den Kontext ihrer Entscheidungen weiterführen. Halten Sie Korrekturen, Werkzeugergebnisse und die endgültige Antwort den Gesprächsschritten zugeordnet, aus denen sie hervorgegangen sind. Für dieses Modell gelten seine eigenen Vorgaben zum Gesprächsverlauf; ältere Empfehlungen, alle Denkblöcke aus früheren Nachrichten zu entfernen, sollten nicht übernommen werden. Wie Einstellungen für Aufwand und Beibehaltung tatsächlich zugänglich sind, hängt von der Oberfläche ab, die die Checkpoint-Anleitung implementiert.\n\nEntwicklungsumgebungen und Rückmeldungen aus der Umgebung\n\nQwen beschreibt die Kompatibilität mit Entwicklungsumgebungen für Agenten und mit Werkzeugen. Eine fortlaufende Aufgabe lässt sich als Ziel, erlaubte Aktionen und Nachweise für ihre Erledigung formulieren. Die Anwendung kann anschließend Beobachtungen aus Prüfung oder Ausführung bereitstellen. Bitten Sie das Modell zu erläutern, wie jedes neue Ergebnis den Plan verändert, und zu berichten, was noch offen ist. Eine Aktion zu planen und ein tatsächliches Ergebnis zu erhalten sind unterschiedliche Bestandteile dieses Ablaufs.\n\nDie Beispiele der Modellkarte für das verwaltete Max-Angebot enthalten zusätzliche integrierte Werkzeuge. Daraus dürfen keine automatische Websuche, Codeausführung oder visuellen Eingaben für dieses offene Modell abgeleitet werden. Seine sinnvolle Rolle ist eine Komponente für textbasiertes Schlussfolgern in einem angeschlossenen Ablauf; Werkzeuge und externe Wirkungen gehören zur Anwendung, die sie bereitstellt.\n\nEmpfehlungen zur Generierung\n\nDer Hersteller empfiehlt temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 und repetition penalty 1.0. Soweit unterstützt, kann eine presence penalty zwischen null und zwei wiederholten Text verringern; höhere Werte können jedoch Sprachen vermischen oder die Qualität leicht senken. Welche Parameter unterstützt werden, hängt von der Implementierung ab.\n\nFür einen auf eine Million Token konfigurierten Ablauf mit getrennten Grenzen für Denkprozess und endgültige Antwort empfiehlt Qwen 262,144 Token für den Denkprozess und 131,072 für die endgültige Antwort. Dies sind bedingte Zuteilungen, keine eigenständig festgelegten harten Grenzen oder Budgets, die zusammen in den nativen Kontext von 262,144 Token passen. Planen Sie ausreichend Platz für ein vollständiges Arbeitsergebnis ein und verlangen Sie eine endgültige Ausgabe, die nach dem Denkprozess leicht zu finden ist.\n\nPraktische Grenzen\n\nDieser Checkpoint verarbeitet keine Bilder, Audio- oder Videodaten. Wandeln Sie relevante Belege bei Bedarf in einem getrennten Ablauf in eine geeignete Textdarstellung um und behalten Sie Kennungen bei, mit denen sich die Antwort prüfen lässt. Die Modellkarte nennt einen erweiterten Kontext, liefert jedoch weder eine vollständige aufgabenspezifische Anleitung zur Erweiterung noch eine allgemeingültige Mediengrenze für dieses reine Textmodell. Bewahren Sie die genaue Checkpoint-Identität und Konfiguration, prüfen Sie Berechnungen und Codevorschläge anhand der Quelle und behandeln Sie das fertige Arbeitsergebnis als prüfbares Resultat, statt als Beleg dafür, dass eine gesamte externe Aufgabe erledigt wurde.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Review a resumable migration plan\n\nReview this migration design against the requirement that every row is copied exactly once. Step 1 copies 100 rows after last_id. Step 2 saves last_id. A crash can occur between steps. Explain the duplicate risk after restart and propose a minimal idempotent write or atomic checkpoint design. Include a test that interrupts precisely between the two steps.A cause analysis, one concrete correction strategy and a crash-point regression scenario.Rerunning after the interruption cannot produce duplicate destination rows or skip uncopied source rows.qwen/qwen3.8-2.4t-a95bQwen3.8-2.4T-A95B ist Qwens spärlich aktiviertes Mixture-of-Experts-Modell für textbasiertes Schlussfolgern mit insgesamt 2.4 Billionen Parametern, von denen 95 Milliarden aktiviert werden. Dieser offene Checkpoint verwendet immer den Denkmodus, unterstützt einen einstellbaren Denkaufwand und behält den Kontext seiner Schlussfolgerungen für fortlaufende Programmier- und Fachaufgaben bei.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Die Stärken von Qwen3.8: fortlaufendes textbasiertes Schlussfolgern
Qwen3.8-2.4T-A95B ist der offene Qwen3.8-Checkpoint für textbasiertes Schlussfolgern. Qwen beschreibt Verbesserungen bei Programmierung, Fachaufgaben, Recherche und langfristigen Agentenaufgaben, einschließlich Planung und Nutzung von Rückmeldungen aus der Umgebung. Er verarbeitet Text und gibt Text zurück. Der Hersteller grenzt ihn ausdrücklich vom verwalteten Angebot Qwen3.8-Max ab: Bildeingaben und die Unterstützung eines Modus ohne Denkprozess sind zusätzliche Funktionen dieses Angebots und keine Fähigkeiten genau dieses offenen Checkpoints.
Geben Sie für eine Programmieraufgabe die relevanten Module, die Anforderung und eine Eingabe an, die das aktuelle Verhalten sichtbar macht. Fordern Sie eine erläuterte Änderung und ein überprüfbares fertiges Arbeitsergebnis an. Stellen Sie für eine Recherche oder einen Fachbericht die Belege, die erforderlichen Abschnitte und die Bewertungskriterien bereit. Bitten Sie das Modell anschließend, belegte Erkenntnisse von Annahmen zu unterscheiden. Dies sind praktische Anwendungen des dokumentierten Aufgabenbereichs, keine Zusagen für ausgeführten Code oder fachlich zertifizierte Schlussfolgerungen.
Modellübersicht
Das spärlich aktivierte Mixture-of-Experts-Modell besitzt insgesamt 2.4 Billionen Parameter und aktiviert davon 95 Milliarden. Es hat 92 Schichten und 512 geroutete Experten; ausgewählt werden zehn geroutete Experten gemeinsam mit einem geteilten Experten. Seine Hybridblöcke verbinden Gated DeltaNet und Gated Attention mit Expertenschichten in einem Drei-zu-eins-Muster. Multi-Token Prediction ist Teil seines Trainings. Die Zahl aktivierter Parameter entspricht nicht der vollständigen Checkpoint-Größe, und eine hohe Gesamtzahl begründet keine Garantie für die Antwortzeit.
Der native Kontext umfasst 262,144 Token, mit einer dokumentierten Erweiterung auf bis zu 1,010,000. Dies unterscheidet sich vom standardmäßigen Kontext mit einer Million Token in der Referenz zum verwalteten Max-Angebot. Verwenden Sie das tatsächlich konfigurierte Sequenzbudget für Ausgangstext, Gesprächsverlauf, Denkprozess und endgültige Antwort, statt anzunehmen, dass sämtliche Höchstwerte gleichzeitig gelten.
Den genauen Checkpoint mit Denkmodus verwenden
Der Denkmodus ist bei jeder Interaktion erforderlich und kann nicht deaktiviert werden. Die dokumentierte Ausgabe beginnt vor dem endgültigen Text mit einem Denkblock. reasoning_effort unterstützt xhigh, medium und low; xhigh ist die Voreinstellung. Low reduziert die vorgesehene Analysetiefe, bleibt aber ein Denkmodus. Die Bitte um eine knappe endgültige Antwort kann das gewünschte Arbeitsergebnis steuern, ohne dieses Modell in eine Edition ohne Denkmodus umzuwandeln.
preserve_thinking ist standardmäßig aktiviert. Werden Schlussfolgerungen aus früheren Gesprächsschritten beibehalten, kann eine iterative Aufgabe den Kontext ihrer Entscheidungen weiterführen. Halten Sie Korrekturen, Werkzeugergebnisse und die endgültige Antwort den Gesprächsschritten zugeordnet, aus denen sie hervorgegangen sind. Für dieses Modell gelten seine eigenen Vorgaben zum Gesprächsverlauf; ältere Empfehlungen, alle Denkblöcke aus früheren Nachrichten zu entfernen, sollten nicht übernommen werden. Wie Einstellungen für Aufwand und Beibehaltung tatsächlich zugänglich sind, hängt von der Oberfläche ab, die die Checkpoint-Anleitung implementiert.
Entwicklungsumgebungen und Rückmeldungen aus der Umgebung
Qwen beschreibt die Kompatibilität mit Entwicklungsumgebungen für Agenten und mit Werkzeugen. Eine fortlaufende Aufgabe lässt sich als Ziel, erlaubte Aktionen und Nachweise für ihre Erledigung formulieren. Die Anwendung kann anschließend Beobachtungen aus Prüfung oder Ausführung bereitstellen. Bitten Sie das Modell zu erläutern, wie jedes neue Ergebnis den Plan verändert, und zu berichten, was noch offen ist. Eine Aktion zu planen und ein tatsächliches Ergebnis zu erhalten sind unterschiedliche Bestandteile dieses Ablaufs.
Die Beispiele der Modellkarte für das verwaltete Max-Angebot enthalten zusätzliche integrierte Werkzeuge. Daraus dürfen keine automatische Websuche, Codeausführung oder visuellen Eingaben für dieses offene Modell abgeleitet werden. Seine sinnvolle Rolle ist eine Komponente für textbasiertes Schlussfolgern in einem angeschlossenen Ablauf; Werkzeuge und externe Wirkungen gehören zur Anwendung, die sie bereitstellt.
Empfehlungen zur Generierung
Der Hersteller empfiehlt temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 und repetition penalty 1.0. Soweit unterstützt, kann eine presence penalty zwischen null und zwei wiederholten Text verringern; höhere Werte können jedoch Sprachen vermischen oder die Qualität leicht senken. Welche Parameter unterstützt werden, hängt von der Implementierung ab.
Für einen auf eine Million Token konfigurierten Ablauf mit getrennten Grenzen für Denkprozess und endgültige Antwort empfiehlt Qwen 262,144 Token für den Denkprozess und 131,072 für die endgültige Antwort. Dies sind bedingte Zuteilungen, keine eigenständig festgelegten harten Grenzen oder Budgets, die zusammen in den nativen Kontext von 262,144 Token passen. Planen Sie ausreichend Platz für ein vollständiges Arbeitsergebnis ein und verlangen Sie eine endgültige Ausgabe, die nach dem Denkprozess leicht zu finden ist.
Praktische Grenzen
Dieser Checkpoint verarbeitet keine Bilder, Audio- oder Videodaten. Wandeln Sie relevante Belege bei Bedarf in einem getrennten Ablauf in eine geeignete Textdarstellung um und behalten Sie Kennungen bei, mit denen sich die Antwort prüfen lässt. Die Modellkarte nennt einen erweiterten Kontext, liefert jedoch weder eine vollständige aufgabenspezifische Anleitung zur Erweiterung noch eine allgemeingültige Mediengrenze für dieses reine Textmodell. Bewahren Sie die genaue Checkpoint-Identität und Konfiguration, prüfen Sie Berechnungen und Codevorschläge anhand der Quelle und behandeln Sie das fertige Arbeitsergebnis als prüfbares Resultat, statt als Beleg dafür, dass eine gesamte externe Aufgabe erledigt wurde.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.8-2.4t-a95b | 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 $0.004 / 1K Token Ausgabe · Ausgabetoken $0.012 / 1K Token Eingabe · Cache-Lesen $0.0005 / 1K Token Eingabe · Cache-Schreiben $0.005 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.004 / 1K Token Ausgabe · Ausgabetoken $0.012 / 1K Token Eingabe · Cache-Lesen $0.0005 / 1K Token Eingabe · Cache-Schreiben $0.005 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.8-2.4t-a95b", "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/qwen3.8-2.4t-a95b',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/qwen3.8-2.4t-a95b',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/qwen3.8-2.4t-a95b
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3.8-2.4t-a95bQwen3.8-2.4T-A95B ist Qwens spärlich aktiviertes Mixture-of-Experts-Modell für textbasiertes Schlussfolgern mit insgesamt 2.4 Billionen Parametern, von denen 95 Milliarden aktiviert werden. Dieser offene Checkpoint verwendet immer den Denkmodus, unterstützt einen einstellbaren Denkaufwand und behält den Kontext seiner Schlussfolgerungen für fortlaufende Programmier- und Fachaufgaben bei.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Die Stärken von Qwen3.8: fortlaufendes textbasiertes Schlussfolgern
Qwen3.8-2.4T-A95B ist der offene Qwen3.8-Checkpoint für textbasiertes Schlussfolgern. Qwen beschreibt Verbesserungen bei Programmierung, Fachaufgaben, Recherche und langfristigen Agentenaufgaben, einschließlich Planung und Nutzung von Rückmeldungen aus der Umgebung. Er verarbeitet Text und gibt Text zurück. Der Hersteller grenzt ihn ausdrücklich vom verwalteten Angebot Qwen3.8-Max ab: Bildeingaben und die Unterstützung eines Modus ohne Denkprozess sind zusätzliche Funktionen dieses Angebots und keine Fähigkeiten genau dieses offenen Checkpoints.
Geben Sie für eine Programmieraufgabe die relevanten Module, die Anforderung und eine Eingabe an, die das aktuelle Verhalten sichtbar macht. Fordern Sie eine erläuterte Änderung und ein überprüfbares fertiges Arbeitsergebnis an. Stellen Sie für eine Recherche oder einen Fachbericht die Belege, die erforderlichen Abschnitte und die Bewertungskriterien bereit. Bitten Sie das Modell anschließend, belegte Erkenntnisse von Annahmen zu unterscheiden. Dies sind praktische Anwendungen des dokumentierten Aufgabenbereichs, keine Zusagen für ausgeführten Code oder fachlich zertifizierte Schlussfolgerungen.
Modellübersicht
Das spärlich aktivierte Mixture-of-Experts-Modell besitzt insgesamt 2.4 Billionen Parameter und aktiviert davon 95 Milliarden. Es hat 92 Schichten und 512 geroutete Experten; ausgewählt werden zehn geroutete Experten gemeinsam mit einem geteilten Experten. Seine Hybridblöcke verbinden Gated DeltaNet und Gated Attention mit Expertenschichten in einem Drei-zu-eins-Muster. Multi-Token Prediction ist Teil seines Trainings. Die Zahl aktivierter Parameter entspricht nicht der vollständigen Checkpoint-Größe, und eine hohe Gesamtzahl begründet keine Garantie für die Antwortzeit.
Der native Kontext umfasst 262,144 Token, mit einer dokumentierten Erweiterung auf bis zu 1,010,000. Dies unterscheidet sich vom standardmäßigen Kontext mit einer Million Token in der Referenz zum verwalteten Max-Angebot. Verwenden Sie das tatsächlich konfigurierte Sequenzbudget für Ausgangstext, Gesprächsverlauf, Denkprozess und endgültige Antwort, statt anzunehmen, dass sämtliche Höchstwerte gleichzeitig gelten.
Den genauen Checkpoint mit Denkmodus verwenden
Der Denkmodus ist bei jeder Interaktion erforderlich und kann nicht deaktiviert werden. Die dokumentierte Ausgabe beginnt vor dem endgültigen Text mit einem Denkblock. reasoning_effort unterstützt xhigh, medium und low; xhigh ist die Voreinstellung. Low reduziert die vorgesehene Analysetiefe, bleibt aber ein Denkmodus. Die Bitte um eine knappe endgültige Antwort kann das gewünschte Arbeitsergebnis steuern, ohne dieses Modell in eine Edition ohne Denkmodus umzuwandeln.
preserve_thinking ist standardmäßig aktiviert. Werden Schlussfolgerungen aus früheren Gesprächsschritten beibehalten, kann eine iterative Aufgabe den Kontext ihrer Entscheidungen weiterführen. Halten Sie Korrekturen, Werkzeugergebnisse und die endgültige Antwort den Gesprächsschritten zugeordnet, aus denen sie hervorgegangen sind. Für dieses Modell gelten seine eigenen Vorgaben zum Gesprächsverlauf; ältere Empfehlungen, alle Denkblöcke aus früheren Nachrichten zu entfernen, sollten nicht übernommen werden. Wie Einstellungen für Aufwand und Beibehaltung tatsächlich zugänglich sind, hängt von der Oberfläche ab, die die Checkpoint-Anleitung implementiert.
Entwicklungsumgebungen und Rückmeldungen aus der Umgebung
Qwen beschreibt die Kompatibilität mit Entwicklungsumgebungen für Agenten und mit Werkzeugen. Eine fortlaufende Aufgabe lässt sich als Ziel, erlaubte Aktionen und Nachweise für ihre Erledigung formulieren. Die Anwendung kann anschließend Beobachtungen aus Prüfung oder Ausführung bereitstellen. Bitten Sie das Modell zu erläutern, wie jedes neue Ergebnis den Plan verändert, und zu berichten, was noch offen ist. Eine Aktion zu planen und ein tatsächliches Ergebnis zu erhalten sind unterschiedliche Bestandteile dieses Ablaufs.
Die Beispiele der Modellkarte für das verwaltete Max-Angebot enthalten zusätzliche integrierte Werkzeuge. Daraus dürfen keine automatische Websuche, Codeausführung oder visuellen Eingaben für dieses offene Modell abgeleitet werden. Seine sinnvolle Rolle ist eine Komponente für textbasiertes Schlussfolgern in einem angeschlossenen Ablauf; Werkzeuge und externe Wirkungen gehören zur Anwendung, die sie bereitstellt.
Empfehlungen zur Generierung
Der Hersteller empfiehlt temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 und repetition penalty 1.0. Soweit unterstützt, kann eine presence penalty zwischen null und zwei wiederholten Text verringern; höhere Werte können jedoch Sprachen vermischen oder die Qualität leicht senken. Welche Parameter unterstützt werden, hängt von der Implementierung ab.
Für einen auf eine Million Token konfigurierten Ablauf mit getrennten Grenzen für Denkprozess und endgültige Antwort empfiehlt Qwen 262,144 Token für den Denkprozess und 131,072 für die endgültige Antwort. Dies sind bedingte Zuteilungen, keine eigenständig festgelegten harten Grenzen oder Budgets, die zusammen in den nativen Kontext von 262,144 Token passen. Planen Sie ausreichend Platz für ein vollständiges Arbeitsergebnis ein und verlangen Sie eine endgültige Ausgabe, die nach dem Denkprozess leicht zu finden ist.
Praktische Grenzen
Dieser Checkpoint verarbeitet keine Bilder, Audio- oder Videodaten. Wandeln Sie relevante Belege bei Bedarf in einem getrennten Ablauf in eine geeignete Textdarstellung um und behalten Sie Kennungen bei, mit denen sich die Antwort prüfen lässt. Die Modellkarte nennt einen erweiterten Kontext, liefert jedoch weder eine vollständige aufgabenspezifische Anleitung zur Erweiterung noch eine allgemeingültige Mediengrenze für dieses reine Textmodell. Bewahren Sie die genaue Checkpoint-Identität und Konfiguration, prüfen Sie Berechnungen und Codevorschläge anhand der Quelle und behandeln Sie das fertige Arbeitsergebnis als prüfbares Resultat, statt als Beleg dafür, dass eine gesamte externe Aufgabe erledigt wurde.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.8-2.4t-a95b | 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 $0.004 / 1K Token Ausgabe · Ausgabetoken $0.012 / 1K Token Eingabe · Cache-Lesen $0.0005 / 1K Token Eingabe · Cache-Schreiben $0.005 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.004 / 1K Token Ausgabe · Ausgabetoken $0.012 / 1K Token Eingabe · Cache-Lesen $0.0005 / 1K Token Eingabe · Cache-Schreiben $0.005 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3.8-2.4t-a95b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.8-2.4t-a95b', '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/qwen3.8-2.4t-a95b', '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/qwen3.8-2.4t-a95b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Review a resumable migration plan\n\nReview this migration design against the requirement that every row is copied exactly once. Step 1 copies 100 rows after last_id. Step 2 saves last_id. A crash can occur between steps. Explain the duplicate risk after restart and propose a minimal idempotent write or atomic checkpoint design. Include a test that interrupts precisely between the two steps.A cause analysis, one concrete correction strategy and a crash-point regression scenario.Rerunning after the interruption cannot produce duplicate destination rows or skip uncopied source rows.