Die Stärken von Qwen3.8 in einem dichten Vision-Language-Modell
Qwen3.8-27B bringt die Verbesserungen von Qwen3.8 bei Programmierung, Fachaufgaben, Recherche und Agentenaufgaben in ein dichtes Modell mit 27 Milliarden Parametern. Es verarbeitet Text, Bilder und Video und gibt Text zurück. Zu seinem dokumentierten visuellen Einsatzbereich gehören MINT-Diagramme, Dokumentseiten und stundenlange Videos. Es ist ein eigenständiger Checkpoint neben dem wesentlich größeren, rein textbasierten Qwen3.8-2.4T-A95B; ihre Eingabefähigkeiten und Vorgaben zum Denkmodus müssen daher getrennt betrachtet werden.
Qwen betont eigenständige Planung, die Nutzung von Rückmeldungen aus der Umgebung und die Integration in Entwicklungsumgebungen für Agenten. Geben Sie für eine Agentenaufgabe das Ziel, die relevanten Materialien, die erlaubten Werkzeuge und die Nachweise an, anhand derer sich die Erledigung feststellen lässt. Ein Modell kann anhand zurückgemeldeter Ergebnisse Aktionen vorschlagen und überarbeiten; die angeschlossene Software führt diese Aktionen aus. Fordern Sie das fertige Arbeitsergebnis und noch offene Bedingungen an, statt einen Plan als ausgeführtes Ergebnis zu behandeln.
Modellübersicht
Das 27B-Modell besitzt 64 Sprachmodellschichten. Seine hybride Architektur ordnet jeweils drei Gated-DeltaNet-Schichten und anschließend eine Schicht mit Gated Attention an, ergänzt durch dichte Feedforward-Netze. Es wird mit Multi-Token Prediction trainiert und enthält einen Vision-Encoder. Diese Architekturmerkmale beschreiben das veröffentlichte Modell; sie bedeuten nicht, dass Speicherverbrauch oder Latenz in jeder Bereitstellung identisch sind.
Der native Kontext umfasst 262,144 Token; dokumentiert ist eine Erweiterung auf 1,000,000. Text, visuelle Repräsentation, Gesprächsverlauf, Denkprozess und endgültige Ausgabe teilen sich das konfigurierte Sequenzbudget. Der Hersteller beschreibt zusätzlich eine verwaltete Edition mit weiteren Funktionen; diese dürfen dem offenen Checkpoint nicht automatisch zugeschrieben werden.
Text, Bilder und Video verwenden
Geben Sie für eine Programmieraufgabe die relevante Funktion oder das Modul, eine fehlschlagende Eingabe und das erwartete Verhalten an. Fordern Sie anschließend einen Patch zusammen mit den betroffenen Annahmen und Prüfungen an. Bewahren Sie bei einem Diagramm die Beschriftungen und stellen Sie die vollständige Frage. Fordern Sie bei einem Dokument benannte Felder oder Schlussfolgerungen mit Seitenverweisen an. Benennen Sie bei Video das gesuchte Ereignis und erhalten Sie dessen zeitliche Einordnung.
Das Videobeispiel des Herstellers verwendet im unterstützten Bereitstellungsablauf standardmäßig zwei Bilder pro Sekunde, mit optionalen Einstellungen zur Abtastung. Eine allgemeine Szenenzusammenfassung und ein kurzes Ereignis können unterschiedliche Abtastraten erfordern. Die Hinweise zu langen Videos empfehlen, das Budget des Videoprozessors zu erhöhen, um Material mit einer Dauer von Stunden mit höherer Rate abzutasten; das Beispiel entspricht ungefähr 224K Video-Token. Dies erfordert eine Konfiguration und beansprucht Kontextplatz, der auch anderen Inhalten zur Verfügung steht; daraus folgt keine allgemeingültige Garantie für die Cliplänge.
Denkmodus und frühere Schlussfolgerungen
Der Denkmodus ist standardmäßig aktiviert und lässt sich über die Herstellereinstellung enable_thinking pro Anfrage deaktivieren. reasoning_effort unterstützt xhigh, medium und low; xhigh ist die Voreinstellung. Ein geringerer Aufwand kann einen einzelnen Gesprächsschritt verkürzen. Qwen warnt jedoch, dass unzureichende Analyse bei Agentenaufgaben zu Fehlern und wiederholter Arbeit führen und dadurch die gesamte Bearbeitungszeit verlängern kann.
preserve_thinking ist standardmäßig aktiviert und behält zur Wahrung der Kontinuität Denkblöcke aus früheren Nachrichten bei. Wird diese Einstellung deaktiviert, bleiben nur die Denkblöcke erhalten, die bei der Bearbeitung der jüngsten Nutzernachricht erzeugt wurden. Dies unterscheidet sich von älteren Qwen-Empfehlungen, frühere Schlussfolgerungen vollständig zu verwerfen. Halten Sie Denkprozess und endgültigen Inhalt in der Oberfläche getrennt und bewahren Sie genau das Gesprächsformat, das der Checkpoint erwartet. Herstellereinstellungen belegen nicht, welche Parameter eine andere Anwendung zugänglich macht.
Empfehlungen zur Generierung
Für den Denkmodus empfiehlt Qwen temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 und repetition penalty 1.0. Für direkte Antworten empfiehlt der Hersteller entsprechend 0.7, 0.8, 20, 0, 1.5 und 1.0. Eine höhere presence penalty kann Wiederholungen verringern, aber auch Sprachen vermischen oder die Qualität leicht senken.
Innerhalb eines auf eine Million Token konfigurierten Ablaufs, der getrennte Grenzen unterstützt, empfiehlt der Hersteller Budgets von 262,144 Token für den Denkprozess und 131,072 für die endgültige Antwort. Dabei handelt es sich um bedingte Budgetempfehlungen, nicht um unabhängige harte Ausgabegrenzen oder Zuteilungen, die gleichzeitig in den nativen Kontext passen.
Sehr langer Kontext und Grenzen
Die dokumentierte Erweiterung verwendet YaRN mit den eigenen verschachtelten Positionseinstellungen des Modells. Ein Faktor von vier zielt auf den Ablauf mit einer Million Token; für eine Arbeitslast von etwa 524,288 Token empfiehlt der Hersteller einen Faktor von zwei. Statische Skalierung kann die Qualität bei kürzeren Texten beeinflussen. Qwen rät daher, sie zu aktivieren, wenn der längere Kontext benötigt wird. Übernehmen Sie den Extrapolationsfaktor einer anderen Qwen-VL-Edition nicht ohne die zugehörige Anleitung.
Ordnen Sie lange Eingaben nach Dokument, Seite oder Codekennung und verlangen Sie ein überprüfbares Ergebnis. Prüfen Sie Berechnungen, kleine visuelle Beschriftungen und erzeugte Patches anhand der Quelle. Langer Kontext, beibehaltene Schlussfolgerungen und größere Videobudgets helfen, mehr Belege durch eine Aufgabe hindurch verfügbar zu halten; sie belegen für sich genommen weder vollständiges Erinnerungsvermögen noch korrekte Schlussfolgerungen oder die Erledigung einer externen Aktion.
", "aboutText": "Die Stärken von Qwen3.8 in einem dichten Vision-Language-Modell\n\nQwen3.8-27B bringt die Verbesserungen von Qwen3.8 bei Programmierung, Fachaufgaben, Recherche und Agentenaufgaben in ein dichtes Modell mit 27 Milliarden Parametern. Es verarbeitet Text, Bilder und Video und gibt Text zurück. Zu seinem dokumentierten visuellen Einsatzbereich gehören MINT-Diagramme, Dokumentseiten und stundenlange Videos. Es ist ein eigenständiger Checkpoint neben dem wesentlich größeren, rein textbasierten Qwen3.8-2.4T-A95B; ihre Eingabefähigkeiten und Vorgaben zum Denkmodus müssen daher getrennt betrachtet werden.\n\nQwen betont eigenständige Planung, die Nutzung von Rückmeldungen aus der Umgebung und die Integration in Entwicklungsumgebungen für Agenten. Geben Sie für eine Agentenaufgabe das Ziel, die relevanten Materialien, die erlaubten Werkzeuge und die Nachweise an, anhand derer sich die Erledigung feststellen lässt. Ein Modell kann anhand zurückgemeldeter Ergebnisse Aktionen vorschlagen und überarbeiten; die angeschlossene Software führt diese Aktionen aus. Fordern Sie das fertige Arbeitsergebnis und noch offene Bedingungen an, statt einen Plan als ausgeführtes Ergebnis zu behandeln.\n\nModellübersicht\n\nDas 27B-Modell besitzt 64 Sprachmodellschichten. Seine hybride Architektur ordnet jeweils drei Gated-DeltaNet-Schichten und anschließend eine Schicht mit Gated Attention an, ergänzt durch dichte Feedforward-Netze. Es wird mit Multi-Token Prediction trainiert und enthält einen Vision-Encoder. Diese Architekturmerkmale beschreiben das veröffentlichte Modell; sie bedeuten nicht, dass Speicherverbrauch oder Latenz in jeder Bereitstellung identisch sind.\n\nDer native Kontext umfasst 262,144 Token; dokumentiert ist eine Erweiterung auf 1,000,000. Text, visuelle Repräsentation, Gesprächsverlauf, Denkprozess und endgültige Ausgabe teilen sich das konfigurierte Sequenzbudget. Der Hersteller beschreibt zusätzlich eine verwaltete Edition mit weiteren Funktionen; diese dürfen dem offenen Checkpoint nicht automatisch zugeschrieben werden.\n\nText, Bilder und Video verwenden\n\nGeben Sie für eine Programmieraufgabe die relevante Funktion oder das Modul, eine fehlschlagende Eingabe und das erwartete Verhalten an. Fordern Sie anschließend einen Patch zusammen mit den betroffenen Annahmen und Prüfungen an. Bewahren Sie bei einem Diagramm die Beschriftungen und stellen Sie die vollständige Frage. Fordern Sie bei einem Dokument benannte Felder oder Schlussfolgerungen mit Seitenverweisen an. Benennen Sie bei Video das gesuchte Ereignis und erhalten Sie dessen zeitliche Einordnung.\n\nDas Videobeispiel des Herstellers verwendet im unterstützten Bereitstellungsablauf standardmäßig zwei Bilder pro Sekunde, mit optionalen Einstellungen zur Abtastung. Eine allgemeine Szenenzusammenfassung und ein kurzes Ereignis können unterschiedliche Abtastraten erfordern. Die Hinweise zu langen Videos empfehlen, das Budget des Videoprozessors zu erhöhen, um Material mit einer Dauer von Stunden mit höherer Rate abzutasten; das Beispiel entspricht ungefähr 224K Video-Token. Dies erfordert eine Konfiguration und beansprucht Kontextplatz, der auch anderen Inhalten zur Verfügung steht; daraus folgt keine allgemeingültige Garantie für die Cliplänge.\n\nDenkmodus und frühere Schlussfolgerungen\n\nDer Denkmodus ist standardmäßig aktiviert und lässt sich über die Herstellereinstellung enable_thinking pro Anfrage deaktivieren. reasoning_effort unterstützt xhigh, medium und low; xhigh ist die Voreinstellung. Ein geringerer Aufwand kann einen einzelnen Gesprächsschritt verkürzen. Qwen warnt jedoch, dass unzureichende Analyse bei Agentenaufgaben zu Fehlern und wiederholter Arbeit führen und dadurch die gesamte Bearbeitungszeit verlängern kann.\n\npreserve_thinking ist standardmäßig aktiviert und behält zur Wahrung der Kontinuität Denkblöcke aus früheren Nachrichten bei. Wird diese Einstellung deaktiviert, bleiben nur die Denkblöcke erhalten, die bei der Bearbeitung der jüngsten Nutzernachricht erzeugt wurden. Dies unterscheidet sich von älteren Qwen-Empfehlungen, frühere Schlussfolgerungen vollständig zu verwerfen. Halten Sie Denkprozess und endgültigen Inhalt in der Oberfläche getrennt und bewahren Sie genau das Gesprächsformat, das der Checkpoint erwartet. Herstellereinstellungen belegen nicht, welche Parameter eine andere Anwendung zugänglich macht.\n\nEmpfehlungen zur Generierung\n\nFür den Denkmodus empfiehlt Qwen temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 und repetition penalty 1.0. Für direkte Antworten empfiehlt der Hersteller entsprechend 0.7, 0.8, 20, 0, 1.5 und 1.0. Eine höhere presence penalty kann Wiederholungen verringern, aber auch Sprachen vermischen oder die Qualität leicht senken.\n\nInnerhalb eines auf eine Million Token konfigurierten Ablaufs, der getrennte Grenzen unterstützt, empfiehlt der Hersteller Budgets von 262,144 Token für den Denkprozess und 131,072 für die endgültige Antwort. Dabei handelt es sich um bedingte Budgetempfehlungen, nicht um unabhängige harte Ausgabegrenzen oder Zuteilungen, die gleichzeitig in den nativen Kontext passen.\n\nSehr langer Kontext und Grenzen\n\nDie dokumentierte Erweiterung verwendet YaRN mit den eigenen verschachtelten Positionseinstellungen des Modells. Ein Faktor von vier zielt auf den Ablauf mit einer Million Token; für eine Arbeitslast von etwa 524,288 Token empfiehlt der Hersteller einen Faktor von zwei. Statische Skalierung kann die Qualität bei kürzeren Texten beeinflussen. Qwen rät daher, sie zu aktivieren, wenn der längere Kontext benötigt wird. Übernehmen Sie den Extrapolationsfaktor einer anderen Qwen-VL-Edition nicht ohne die zugehörige Anleitung.\n\nOrdnen Sie lange Eingaben nach Dokument, Seite oder Codekennung und verlangen Sie ein überprüfbares Ergebnis. Prüfen Sie Berechnungen, kleine visuelle Beschriftungen und erzeugte Patches anhand der Quelle. Langer Kontext, beibehaltene Schlussfolgerungen und größere Videobudgets helfen, mehr Belege durch eine Aufgabe hindurch verfügbar zu halten; sie belegen für sich genommen weder vollständiges Erinnerungsvermögen noch korrekte Schlussfolgerungen oder die Erledigung einer externen Aktion.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Analyze a circuit described in text\n\nA written circuit description gives two 6-ohm resistors connected in parallel across an ideal 12-volt source. Assume ideal wires and constant resistance. Derive the equivalent resistance, total current and current through each branch. Show the formulas and verify that branch currents add to the total. No circuit image or execution tool is provided.A short derivation with units, three requested quantities and a current-sum check.Equivalent resistance is 3 ohms and the two equal branch currents sum to the derived total current.qwen/qwen3.8-27bQwen3.8-27B ist Qwens dichtes Vision-Language-Modell für Text, Bilder und Video mit Textausgabe. Es verbindet Programmierung und langwierige Agentenaufgaben mit wählbarem Denkmodus, der Beibehaltung von Schlussfolgerungen und einem nativen Kontext von 262,144 Token, der sich per Konfiguration auf eine Million erweitern lässt.
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 in einem dichten Vision-Language-Modell
Qwen3.8-27B bringt die Verbesserungen von Qwen3.8 bei Programmierung, Fachaufgaben, Recherche und Agentenaufgaben in ein dichtes Modell mit 27 Milliarden Parametern. Es verarbeitet Text, Bilder und Video und gibt Text zurück. Zu seinem dokumentierten visuellen Einsatzbereich gehören MINT-Diagramme, Dokumentseiten und stundenlange Videos. Es ist ein eigenständiger Checkpoint neben dem wesentlich größeren, rein textbasierten Qwen3.8-2.4T-A95B; ihre Eingabefähigkeiten und Vorgaben zum Denkmodus müssen daher getrennt betrachtet werden.
Qwen betont eigenständige Planung, die Nutzung von Rückmeldungen aus der Umgebung und die Integration in Entwicklungsumgebungen für Agenten. Geben Sie für eine Agentenaufgabe das Ziel, die relevanten Materialien, die erlaubten Werkzeuge und die Nachweise an, anhand derer sich die Erledigung feststellen lässt. Ein Modell kann anhand zurückgemeldeter Ergebnisse Aktionen vorschlagen und überarbeiten; die angeschlossene Software führt diese Aktionen aus. Fordern Sie das fertige Arbeitsergebnis und noch offene Bedingungen an, statt einen Plan als ausgeführtes Ergebnis zu behandeln.
Modellübersicht
Das 27B-Modell besitzt 64 Sprachmodellschichten. Seine hybride Architektur ordnet jeweils drei Gated-DeltaNet-Schichten und anschließend eine Schicht mit Gated Attention an, ergänzt durch dichte Feedforward-Netze. Es wird mit Multi-Token Prediction trainiert und enthält einen Vision-Encoder. Diese Architekturmerkmale beschreiben das veröffentlichte Modell; sie bedeuten nicht, dass Speicherverbrauch oder Latenz in jeder Bereitstellung identisch sind.
Der native Kontext umfasst 262,144 Token; dokumentiert ist eine Erweiterung auf 1,000,000. Text, visuelle Repräsentation, Gesprächsverlauf, Denkprozess und endgültige Ausgabe teilen sich das konfigurierte Sequenzbudget. Der Hersteller beschreibt zusätzlich eine verwaltete Edition mit weiteren Funktionen; diese dürfen dem offenen Checkpoint nicht automatisch zugeschrieben werden.
Text, Bilder und Video verwenden
Geben Sie für eine Programmieraufgabe die relevante Funktion oder das Modul, eine fehlschlagende Eingabe und das erwartete Verhalten an. Fordern Sie anschließend einen Patch zusammen mit den betroffenen Annahmen und Prüfungen an. Bewahren Sie bei einem Diagramm die Beschriftungen und stellen Sie die vollständige Frage. Fordern Sie bei einem Dokument benannte Felder oder Schlussfolgerungen mit Seitenverweisen an. Benennen Sie bei Video das gesuchte Ereignis und erhalten Sie dessen zeitliche Einordnung.
Das Videobeispiel des Herstellers verwendet im unterstützten Bereitstellungsablauf standardmäßig zwei Bilder pro Sekunde, mit optionalen Einstellungen zur Abtastung. Eine allgemeine Szenenzusammenfassung und ein kurzes Ereignis können unterschiedliche Abtastraten erfordern. Die Hinweise zu langen Videos empfehlen, das Budget des Videoprozessors zu erhöhen, um Material mit einer Dauer von Stunden mit höherer Rate abzutasten; das Beispiel entspricht ungefähr 224K Video-Token. Dies erfordert eine Konfiguration und beansprucht Kontextplatz, der auch anderen Inhalten zur Verfügung steht; daraus folgt keine allgemeingültige Garantie für die Cliplänge.
Denkmodus und frühere Schlussfolgerungen
Der Denkmodus ist standardmäßig aktiviert und lässt sich über die Herstellereinstellung enable_thinking pro Anfrage deaktivieren. reasoning_effort unterstützt xhigh, medium und low; xhigh ist die Voreinstellung. Ein geringerer Aufwand kann einen einzelnen Gesprächsschritt verkürzen. Qwen warnt jedoch, dass unzureichende Analyse bei Agentenaufgaben zu Fehlern und wiederholter Arbeit führen und dadurch die gesamte Bearbeitungszeit verlängern kann.
preserve_thinking ist standardmäßig aktiviert und behält zur Wahrung der Kontinuität Denkblöcke aus früheren Nachrichten bei. Wird diese Einstellung deaktiviert, bleiben nur die Denkblöcke erhalten, die bei der Bearbeitung der jüngsten Nutzernachricht erzeugt wurden. Dies unterscheidet sich von älteren Qwen-Empfehlungen, frühere Schlussfolgerungen vollständig zu verwerfen. Halten Sie Denkprozess und endgültigen Inhalt in der Oberfläche getrennt und bewahren Sie genau das Gesprächsformat, das der Checkpoint erwartet. Herstellereinstellungen belegen nicht, welche Parameter eine andere Anwendung zugänglich macht.
Empfehlungen zur Generierung
Für den Denkmodus empfiehlt Qwen temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 und repetition penalty 1.0. Für direkte Antworten empfiehlt der Hersteller entsprechend 0.7, 0.8, 20, 0, 1.5 und 1.0. Eine höhere presence penalty kann Wiederholungen verringern, aber auch Sprachen vermischen oder die Qualität leicht senken.
Innerhalb eines auf eine Million Token konfigurierten Ablaufs, der getrennte Grenzen unterstützt, empfiehlt der Hersteller Budgets von 262,144 Token für den Denkprozess und 131,072 für die endgültige Antwort. Dabei handelt es sich um bedingte Budgetempfehlungen, nicht um unabhängige harte Ausgabegrenzen oder Zuteilungen, die gleichzeitig in den nativen Kontext passen.
Sehr langer Kontext und Grenzen
Die dokumentierte Erweiterung verwendet YaRN mit den eigenen verschachtelten Positionseinstellungen des Modells. Ein Faktor von vier zielt auf den Ablauf mit einer Million Token; für eine Arbeitslast von etwa 524,288 Token empfiehlt der Hersteller einen Faktor von zwei. Statische Skalierung kann die Qualität bei kürzeren Texten beeinflussen. Qwen rät daher, sie zu aktivieren, wenn der längere Kontext benötigt wird. Übernehmen Sie den Extrapolationsfaktor einer anderen Qwen-VL-Edition nicht ohne die zugehörige Anleitung.
Ordnen Sie lange Eingaben nach Dokument, Seite oder Codekennung und verlangen Sie ein überprüfbares Ergebnis. Prüfen Sie Berechnungen, kleine visuelle Beschriftungen und erzeugte Patches anhand der Quelle. Langer Kontext, beibehaltene Schlussfolgerungen und größere Videobudgets helfen, mehr Belege durch eine Aufgabe hindurch verfügbar zu halten; sie belegen für sich genommen weder vollständiges Erinnerungsvermögen noch korrekte Schlussfolgerungen oder die Erledigung einer externen Aktion.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.8-27b | 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 $0.00085 / 1K Token Ausgabe · Ausgabetoken $0.0051 / 1K Token Eingabe · Cache-Lesen $0.00017 / 1K Token Eingabe · Cache-Schreiben $0.0010625 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00085 / 1K Token Ausgabe · Ausgabetoken $0.0051 / 1K Token Eingabe · Cache-Lesen $0.00017 / 1K Token Eingabe · Cache-Schreiben $0.0010625 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.8-27b", "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/qwen3.8-27b',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/qwen3.8-27b',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/qwen3.8-27b
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3.8-27bQwen3.8-27B ist Qwens dichtes Vision-Language-Modell für Text, Bilder und Video mit Textausgabe. Es verbindet Programmierung und langwierige Agentenaufgaben mit wählbarem Denkmodus, der Beibehaltung von Schlussfolgerungen und einem nativen Kontext von 262,144 Token, der sich per Konfiguration auf eine Million erweitern lässt.
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 in einem dichten Vision-Language-Modell
Qwen3.8-27B bringt die Verbesserungen von Qwen3.8 bei Programmierung, Fachaufgaben, Recherche und Agentenaufgaben in ein dichtes Modell mit 27 Milliarden Parametern. Es verarbeitet Text, Bilder und Video und gibt Text zurück. Zu seinem dokumentierten visuellen Einsatzbereich gehören MINT-Diagramme, Dokumentseiten und stundenlange Videos. Es ist ein eigenständiger Checkpoint neben dem wesentlich größeren, rein textbasierten Qwen3.8-2.4T-A95B; ihre Eingabefähigkeiten und Vorgaben zum Denkmodus müssen daher getrennt betrachtet werden.
Qwen betont eigenständige Planung, die Nutzung von Rückmeldungen aus der Umgebung und die Integration in Entwicklungsumgebungen für Agenten. Geben Sie für eine Agentenaufgabe das Ziel, die relevanten Materialien, die erlaubten Werkzeuge und die Nachweise an, anhand derer sich die Erledigung feststellen lässt. Ein Modell kann anhand zurückgemeldeter Ergebnisse Aktionen vorschlagen und überarbeiten; die angeschlossene Software führt diese Aktionen aus. Fordern Sie das fertige Arbeitsergebnis und noch offene Bedingungen an, statt einen Plan als ausgeführtes Ergebnis zu behandeln.
Modellübersicht
Das 27B-Modell besitzt 64 Sprachmodellschichten. Seine hybride Architektur ordnet jeweils drei Gated-DeltaNet-Schichten und anschließend eine Schicht mit Gated Attention an, ergänzt durch dichte Feedforward-Netze. Es wird mit Multi-Token Prediction trainiert und enthält einen Vision-Encoder. Diese Architekturmerkmale beschreiben das veröffentlichte Modell; sie bedeuten nicht, dass Speicherverbrauch oder Latenz in jeder Bereitstellung identisch sind.
Der native Kontext umfasst 262,144 Token; dokumentiert ist eine Erweiterung auf 1,000,000. Text, visuelle Repräsentation, Gesprächsverlauf, Denkprozess und endgültige Ausgabe teilen sich das konfigurierte Sequenzbudget. Der Hersteller beschreibt zusätzlich eine verwaltete Edition mit weiteren Funktionen; diese dürfen dem offenen Checkpoint nicht automatisch zugeschrieben werden.
Text, Bilder und Video verwenden
Geben Sie für eine Programmieraufgabe die relevante Funktion oder das Modul, eine fehlschlagende Eingabe und das erwartete Verhalten an. Fordern Sie anschließend einen Patch zusammen mit den betroffenen Annahmen und Prüfungen an. Bewahren Sie bei einem Diagramm die Beschriftungen und stellen Sie die vollständige Frage. Fordern Sie bei einem Dokument benannte Felder oder Schlussfolgerungen mit Seitenverweisen an. Benennen Sie bei Video das gesuchte Ereignis und erhalten Sie dessen zeitliche Einordnung.
Das Videobeispiel des Herstellers verwendet im unterstützten Bereitstellungsablauf standardmäßig zwei Bilder pro Sekunde, mit optionalen Einstellungen zur Abtastung. Eine allgemeine Szenenzusammenfassung und ein kurzes Ereignis können unterschiedliche Abtastraten erfordern. Die Hinweise zu langen Videos empfehlen, das Budget des Videoprozessors zu erhöhen, um Material mit einer Dauer von Stunden mit höherer Rate abzutasten; das Beispiel entspricht ungefähr 224K Video-Token. Dies erfordert eine Konfiguration und beansprucht Kontextplatz, der auch anderen Inhalten zur Verfügung steht; daraus folgt keine allgemeingültige Garantie für die Cliplänge.
Denkmodus und frühere Schlussfolgerungen
Der Denkmodus ist standardmäßig aktiviert und lässt sich über die Herstellereinstellung enable_thinking pro Anfrage deaktivieren. reasoning_effort unterstützt xhigh, medium und low; xhigh ist die Voreinstellung. Ein geringerer Aufwand kann einen einzelnen Gesprächsschritt verkürzen. Qwen warnt jedoch, dass unzureichende Analyse bei Agentenaufgaben zu Fehlern und wiederholter Arbeit führen und dadurch die gesamte Bearbeitungszeit verlängern kann.
preserve_thinking ist standardmäßig aktiviert und behält zur Wahrung der Kontinuität Denkblöcke aus früheren Nachrichten bei. Wird diese Einstellung deaktiviert, bleiben nur die Denkblöcke erhalten, die bei der Bearbeitung der jüngsten Nutzernachricht erzeugt wurden. Dies unterscheidet sich von älteren Qwen-Empfehlungen, frühere Schlussfolgerungen vollständig zu verwerfen. Halten Sie Denkprozess und endgültigen Inhalt in der Oberfläche getrennt und bewahren Sie genau das Gesprächsformat, das der Checkpoint erwartet. Herstellereinstellungen belegen nicht, welche Parameter eine andere Anwendung zugänglich macht.
Empfehlungen zur Generierung
Für den Denkmodus empfiehlt Qwen temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0 und repetition penalty 1.0. Für direkte Antworten empfiehlt der Hersteller entsprechend 0.7, 0.8, 20, 0, 1.5 und 1.0. Eine höhere presence penalty kann Wiederholungen verringern, aber auch Sprachen vermischen oder die Qualität leicht senken.
Innerhalb eines auf eine Million Token konfigurierten Ablaufs, der getrennte Grenzen unterstützt, empfiehlt der Hersteller Budgets von 262,144 Token für den Denkprozess und 131,072 für die endgültige Antwort. Dabei handelt es sich um bedingte Budgetempfehlungen, nicht um unabhängige harte Ausgabegrenzen oder Zuteilungen, die gleichzeitig in den nativen Kontext passen.
Sehr langer Kontext und Grenzen
Die dokumentierte Erweiterung verwendet YaRN mit den eigenen verschachtelten Positionseinstellungen des Modells. Ein Faktor von vier zielt auf den Ablauf mit einer Million Token; für eine Arbeitslast von etwa 524,288 Token empfiehlt der Hersteller einen Faktor von zwei. Statische Skalierung kann die Qualität bei kürzeren Texten beeinflussen. Qwen rät daher, sie zu aktivieren, wenn der längere Kontext benötigt wird. Übernehmen Sie den Extrapolationsfaktor einer anderen Qwen-VL-Edition nicht ohne die zugehörige Anleitung.
Ordnen Sie lange Eingaben nach Dokument, Seite oder Codekennung und verlangen Sie ein überprüfbares Ergebnis. Prüfen Sie Berechnungen, kleine visuelle Beschriftungen und erzeugte Patches anhand der Quelle. Langer Kontext, beibehaltene Schlussfolgerungen und größere Videobudgets helfen, mehr Belege durch eine Aufgabe hindurch verfügbar zu halten; sie belegen für sich genommen weder vollständiges Erinnerungsvermögen noch korrekte Schlussfolgerungen oder die Erledigung einer externen Aktion.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3.8-27b | 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 $0.00085 / 1K Token Ausgabe · Ausgabetoken $0.0051 / 1K Token Eingabe · Cache-Lesen $0.00017 / 1K Token Eingabe · Cache-Schreiben $0.0010625 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00085 / 1K Token Ausgabe · Ausgabetoken $0.0051 / 1K Token Eingabe · Cache-Lesen $0.00017 / 1K Token Eingabe · Cache-Schreiben $0.0010625 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3.8-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.8-27b', '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/qwen3.8-27b', '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/qwen3.8-27b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Analyze a circuit described in text\n\nA written circuit description gives two 6-ohm resistors connected in parallel across an ideal 12-volt source. Assume ideal wires and constant resistance. Derive the equivalent resistance, total current and current through each branch. Show the formulas and verify that branch currents add to the total. No circuit image or execution tool is provided.A short derivation with units, three requested quantities and a current-sum check.Equivalent resistance is 3 ohms and the two equal branch currents sum to the derived total current.