Schwerpunkte: Programmierung auf Repository-Ebene
Qwen3-Coder-30B-A3B-Instruct ist ein auf Anweisungen ausgerichtetes Textmodell für Programmieragenten. Qwen dokumentiert Programmierung, den Einsatz in Browseragenten und das Verständnis ganzer Repositories sowie ein eigenes Format für Funktionsaufrufe und die Einbindung in Abläufe wie Qwen Code. Eingabe und Ausgabe sind Text. Behalten Sie genau diesen Coder-Checkpoint bei, statt ihn durch das allgemeine Qwen3-30B-A3B-Instruct-2507 oder Qwen3-Coder-Next zu ersetzen: Deren Trainingsschwerpunkte und Generierungsempfehlungen unterscheiden sich.
Der native Kontext umfasst 262.144 Tokens; der Hersteller beschreibt eine Erweiterung mit YaRN auf ungefähr eine Million. Ein großer Kontext kann mehr Belege aus einem Repository zusammenführen, doch eine klare Aufgabe braucht weiterhin die relevanten Module, Schnittstellen und Anforderungen. Beschreiben Sie das erwartete Arbeitsergebnis und das beobachtbare Verhalten, bevor Sie um eine Codeänderung bitten.
Modellübersicht
Das Mixture-of-Experts-Modell hat insgesamt 30,5 Milliarden Parameter und aktiviert 3,3 Milliarden. Es verfügt über 48 Schichten, 128 Experten und acht pro Token ausgewählte Experten. Gesamtparameter und aktivierte Parameter bedeuten unterschiedliche Dinge; die aktivierte Anzahl ist nicht die Größe des vollständigen Checkpoints. Seine Konfiguration als kausales Sprachmodell beschreibt ein Textmodell, keine Schnittstelle für Bilder oder Sprache.
Coder-30B-A3B-Instruct unterstützt ausschließlich den Modus ohne separate Denkblöcke und erzeugt keine expliziten Denkblöcke. Im Beispiel des Herstellers ist die Einstellung enable_thinking=False nicht erforderlich. Es kann trotzdem einen Algorithmus erklären oder einen Patch in gewöhnlichem Text begründen. Die Bitte um einzelne Gedankenschritte ist nicht mit dem Einschalten des gesonderten Thinking-Verhaltens einer anderen Qwen-Ausführung zu verwechseln.
Eine Entwicklungsanfrage vorbereiten
Stellen Sie den relevanten Code, eine Eingabe zur Veranschaulichung des aktuellen Verhaltens, das beobachtete Ergebnis und die gewünschte Änderung bereit. Geben Sie bei einem Algorithmus zunächst Eingabebedingungen und erforderliche Ausgabe an, bevor Sie nach einem Ansatz fragen. Benennen Sie bei einer Repository-Änderung die betroffene Funktion und die Schnittstellen, die die Implementierung erhalten muss. Fordern Sie einen bearbeitbaren Patch oder eine vollständige Funktion getrennt von den Erläuterungen an.
Eine nützliche Antwort kann Diagnose, vorgeschlagene Änderung und die zur Prüfung erforderlichen Kontrollen ordnen. Wenn eine Aufgabe auf einer visuellen Referenz oder aufgezeichnetem Verhalten beruht, liefern Sie eine geeignete Textdarstellung und behalten Sie Kennungen bei, mit denen sich das Ergebnis mit dem Original vergleichen lässt. Vergleichen Sie den vorgeschlagenen Patch mit dem bereitgestellten Code, dem erwarteten Verhalten und den Ergebnissen der angeschlossenen Prüfungen.
Agentisches Programmieren und Browserabläufe
Der Hersteller hebt Werkzeugaufrufe und ein speziell entwickeltes Format für Funktionsaufrufe hervor. Ein angeschlossener Agentenablauf liefert Werkzeugbeschreibungen, Eingabeschemas und Beobachtungen und führt die eigentlichen Vorgänge aus. Definieren Sie zulässige Aktionen und eine Abschlussbedingung. Geben Sie anschließend tatsächliche Untersuchungs- oder Ausführungsergebnisse an das Modell zurück, damit es seinen Arbeitsvorschlag aktualisieren kann.
Die Fähigkeit zum Einsatz als Browseragent bedeutet die Teilnahme an einem Ablauf mit angeschlossenem Browserwerkzeug, keinen automatischen Zugriff auf den Browser eines Nutzers oder dessen aktuelle Seiten. Dasselbe gilt für die Untersuchung von Repositories und die Ausführung von Code. Ein vorgeschlagener Befehl, eine Werkzeuganfrage und ein abgeschlossener Vorgang sollten im Abschlussbericht getrennt bleiben. Behalten Sie das native Werkzeugformat und die Anleitung zum Parsen bei, statt die Vorlage eines anderen Modells als austauschbar anzusehen.
Langer Kontext und Konfiguration
Der Hersteller beschreibt die YaRN-Erweiterung vom nativen Kontext mit 262.144 Tokens auf etwa eine Million für Aufgaben auf Repository-Ebene. Verwenden Sie eine zum Repository-Material passende Kontextkonfiguration und reservieren Sie Platz für Werkzeugbeobachtungen und das Ergebnis. Die Kurzanleitung schlägt auch einen kleineren Kontext, etwa 32.768, vor, wenn Speicherdruck die größere Einstellung verhindert.
Behalten Sie Codepfade, Funktionsnamen und relevante Definitionen in einer langen Eingabe. Entfernen Sie nicht relevante generierte Dateien oder Wiederholungen und reservieren Sie Platz für die Antwort. Quelltext, Verlauf, Werkzeugbeobachtungen und generierter Code teilen sich das konfigurierte Sequenzbudget; die größtmögliche Eingabe sollte nicht als perfektes Erinnern an jede Abhängigkeit verstanden werden.
Empfehlungen zur Generierung
Die Best Practices empfehlen temperature 0,7, top_p 0,8, top_k 20 und eine Wiederholungsstrafe von 1,05. Die genaue Empfehlung zur Wiederholungsstrafe unterscheidet sich von mehreren anderen Qwen-Modellen und gehört weiterhin zur Konfiguration dieser Coder-Ausführung. Qwen empfiehlt für die meisten Anfragen ein Generierungsbudget von 65.536 Tokens. Dies ist eine Empfehlung, kein unabhängig belegtes hartes Maximum.
Geben Sie Ausgabesprache und Form an, beispielsweise einen Patch, eine vollständige Funktion oder eine Erklärung, und prüfen Sie Syntax und Schnittstellen des Arbeitsergebnisses im tatsächlichen Entwicklungsablauf. Das Funktionsbeispiel des Herstellers veranschaulicht den Werkzeugmechanismus; der Werkzeugvertrag benötigt in der verwendenden Anwendung weiterhin intern konsistente Argumentnamen und eine eindeutige Rückgabesemantik.
Wesentliche Grenzen und nützliches Ergebnis
Die dokumentierte Eingabe dieses Checkpoints ist Text. Sie belegt nicht unmittelbar das Verständnis von Bildern, Audio oder Video. Generierter Code und eine überzeugend formulierte Erklärung bleiben Entwürfe, bis die angeschlossene Umgebung die relevanten Prüfergebnisse oder Beobachtungen tatsächlich zurückliefert. Das nützliche Ergebnis ist ein überprüfbarer Implementierungsvorschlag, der an die Bedingungen des bereitgestellten Repositories gebunden ist und die genaue Coder-Identität, den Modus ohne separate Denkblöcke und die Generierungsempfehlungen des Herstellers wahrt.
", "aboutText": "Schwerpunkte: Programmierung auf Repository-Ebene\n\nQwen3-Coder-30B-A3B-Instruct ist ein auf Anweisungen ausgerichtetes Textmodell für Programmieragenten. Qwen dokumentiert Programmierung, den Einsatz in Browseragenten und das Verständnis ganzer Repositories sowie ein eigenes Format für Funktionsaufrufe und die Einbindung in Abläufe wie Qwen Code. Eingabe und Ausgabe sind Text. Behalten Sie genau diesen Coder-Checkpoint bei, statt ihn durch das allgemeine Qwen3-30B-A3B-Instruct-2507 oder Qwen3-Coder-Next zu ersetzen: Deren Trainingsschwerpunkte und Generierungsempfehlungen unterscheiden sich.\n\nDer native Kontext umfasst 262.144 Tokens; der Hersteller beschreibt eine Erweiterung mit YaRN auf ungefähr eine Million. Ein großer Kontext kann mehr Belege aus einem Repository zusammenführen, doch eine klare Aufgabe braucht weiterhin die relevanten Module, Schnittstellen und Anforderungen. Beschreiben Sie das erwartete Arbeitsergebnis und das beobachtbare Verhalten, bevor Sie um eine Codeänderung bitten.\n\nModellübersicht\n\nDas Mixture-of-Experts-Modell hat insgesamt 30,5 Milliarden Parameter und aktiviert 3,3 Milliarden. Es verfügt über 48 Schichten, 128 Experten und acht pro Token ausgewählte Experten. Gesamtparameter und aktivierte Parameter bedeuten unterschiedliche Dinge; die aktivierte Anzahl ist nicht die Größe des vollständigen Checkpoints. Seine Konfiguration als kausales Sprachmodell beschreibt ein Textmodell, keine Schnittstelle für Bilder oder Sprache.\n\nCoder-30B-A3B-Instruct unterstützt ausschließlich den Modus ohne separate Denkblöcke und erzeugt keine expliziten Denkblöcke. Im Beispiel des Herstellers ist die Einstellung enable_thinking=False nicht erforderlich. Es kann trotzdem einen Algorithmus erklären oder einen Patch in gewöhnlichem Text begründen. Die Bitte um einzelne Gedankenschritte ist nicht mit dem Einschalten des gesonderten Thinking-Verhaltens einer anderen Qwen-Ausführung zu verwechseln.\n\nEine Entwicklungsanfrage vorbereiten\n\nStellen Sie den relevanten Code, eine Eingabe zur Veranschaulichung des aktuellen Verhaltens, das beobachtete Ergebnis und die gewünschte Änderung bereit. Geben Sie bei einem Algorithmus zunächst Eingabebedingungen und erforderliche Ausgabe an, bevor Sie nach einem Ansatz fragen. Benennen Sie bei einer Repository-Änderung die betroffene Funktion und die Schnittstellen, die die Implementierung erhalten muss. Fordern Sie einen bearbeitbaren Patch oder eine vollständige Funktion getrennt von den Erläuterungen an.\n\nEine nützliche Antwort kann Diagnose, vorgeschlagene Änderung und die zur Prüfung erforderlichen Kontrollen ordnen. Wenn eine Aufgabe auf einer visuellen Referenz oder aufgezeichnetem Verhalten beruht, liefern Sie eine geeignete Textdarstellung und behalten Sie Kennungen bei, mit denen sich das Ergebnis mit dem Original vergleichen lässt. Vergleichen Sie den vorgeschlagenen Patch mit dem bereitgestellten Code, dem erwarteten Verhalten und den Ergebnissen der angeschlossenen Prüfungen.\n\nAgentisches Programmieren und Browserabläufe\n\nDer Hersteller hebt Werkzeugaufrufe und ein speziell entwickeltes Format für Funktionsaufrufe hervor. Ein angeschlossener Agentenablauf liefert Werkzeugbeschreibungen, Eingabeschemas und Beobachtungen und führt die eigentlichen Vorgänge aus. Definieren Sie zulässige Aktionen und eine Abschlussbedingung. Geben Sie anschließend tatsächliche Untersuchungs- oder Ausführungsergebnisse an das Modell zurück, damit es seinen Arbeitsvorschlag aktualisieren kann.\n\nDie Fähigkeit zum Einsatz als Browseragent bedeutet die Teilnahme an einem Ablauf mit angeschlossenem Browserwerkzeug, keinen automatischen Zugriff auf den Browser eines Nutzers oder dessen aktuelle Seiten. Dasselbe gilt für die Untersuchung von Repositories und die Ausführung von Code. Ein vorgeschlagener Befehl, eine Werkzeuganfrage und ein abgeschlossener Vorgang sollten im Abschlussbericht getrennt bleiben. Behalten Sie das native Werkzeugformat und die Anleitung zum Parsen bei, statt die Vorlage eines anderen Modells als austauschbar anzusehen.\n\nLanger Kontext und Konfiguration\n\nDer Hersteller beschreibt die YaRN-Erweiterung vom nativen Kontext mit 262.144 Tokens auf etwa eine Million für Aufgaben auf Repository-Ebene. Verwenden Sie eine zum Repository-Material passende Kontextkonfiguration und reservieren Sie Platz für Werkzeugbeobachtungen und das Ergebnis. Die Kurzanleitung schlägt auch einen kleineren Kontext, etwa 32.768, vor, wenn Speicherdruck die größere Einstellung verhindert.\n\nBehalten Sie Codepfade, Funktionsnamen und relevante Definitionen in einer langen Eingabe. Entfernen Sie nicht relevante generierte Dateien oder Wiederholungen und reservieren Sie Platz für die Antwort. Quelltext, Verlauf, Werkzeugbeobachtungen und generierter Code teilen sich das konfigurierte Sequenzbudget; die größtmögliche Eingabe sollte nicht als perfektes Erinnern an jede Abhängigkeit verstanden werden.\n\nEmpfehlungen zur Generierung\n\nDie Best Practices empfehlen temperature 0,7, top_p 0,8, top_k 20 und eine Wiederholungsstrafe von 1,05. Die genaue Empfehlung zur Wiederholungsstrafe unterscheidet sich von mehreren anderen Qwen-Modellen und gehört weiterhin zur Konfiguration dieser Coder-Ausführung. Qwen empfiehlt für die meisten Anfragen ein Generierungsbudget von 65.536 Tokens. Dies ist eine Empfehlung, kein unabhängig belegtes hartes Maximum.\n\nGeben Sie Ausgabesprache und Form an, beispielsweise einen Patch, eine vollständige Funktion oder eine Erklärung, und prüfen Sie Syntax und Schnittstellen des Arbeitsergebnisses im tatsächlichen Entwicklungsablauf. Das Funktionsbeispiel des Herstellers veranschaulicht den Werkzeugmechanismus; der Werkzeugvertrag benötigt in der verwendenden Anwendung weiterhin intern konsistente Argumentnamen und eine eindeutige Rückgabesemantik.\n\nWesentliche Grenzen und nützliches Ergebnis\n\nDie dokumentierte Eingabe dieses Checkpoints ist Text. Sie belegt nicht unmittelbar das Verständnis von Bildern, Audio oder Video. Generierter Code und eine überzeugend formulierte Erklärung bleiben Entwürfe, bis die angeschlossene Umgebung die relevanten Prüfergebnisse oder Beobachtungen tatsächlich zurückliefert. Das nützliche Ergebnis ist ein überprüfbarer Implementierungsvorschlag, der an die Bedingungen des bereitgestellten Repositories gebunden ist und die genaue Coder-Identität, den Modus ohne separate Denkblöcke und die Generierungsempfehlungen des Herstellers wahrt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Implement interval overlap correctly\n\nImplement overlaps(a, b) for two half-open intervals [start, end), using numeric endpoints. Intervals touching at an endpoint do not overlap. Reject intervals with start greater than end; empty intervals never overlap. Return a complete Python function and tests for genuine overlap, touching, empty and reversed intervals. Keep the interface limited to two pairs.A complete Python function and four focused tests expressing the interval contract.Check that [1, 3) and [3, 5) return false and an empty interval cannot overlap a containing interval.qwen/qwen3-coder-30b-a3b-instructQwen3-Coder-30B-A3B-Instruct ist Qwens Non-Thinking-Textmodell für Code mit insgesamt 30,5 Milliarden und 3,3 Milliarden aktivierten Parametern. Es zielt auf Entwicklung auf Repository-Ebene, Programmierung und Browser-Agentenabläufe mit 262.144 nativen Kontexttokens und eigenem Funktionsaufrufformat.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Schwerpunkte: Programmierung auf Repository-Ebene
Qwen3-Coder-30B-A3B-Instruct ist ein auf Anweisungen ausgerichtetes Textmodell für Programmieragenten. Qwen dokumentiert Programmierung, den Einsatz in Browseragenten und das Verständnis ganzer Repositories sowie ein eigenes Format für Funktionsaufrufe und die Einbindung in Abläufe wie Qwen Code. Eingabe und Ausgabe sind Text. Behalten Sie genau diesen Coder-Checkpoint bei, statt ihn durch das allgemeine Qwen3-30B-A3B-Instruct-2507 oder Qwen3-Coder-Next zu ersetzen: Deren Trainingsschwerpunkte und Generierungsempfehlungen unterscheiden sich.
Der native Kontext umfasst 262.144 Tokens; der Hersteller beschreibt eine Erweiterung mit YaRN auf ungefähr eine Million. Ein großer Kontext kann mehr Belege aus einem Repository zusammenführen, doch eine klare Aufgabe braucht weiterhin die relevanten Module, Schnittstellen und Anforderungen. Beschreiben Sie das erwartete Arbeitsergebnis und das beobachtbare Verhalten, bevor Sie um eine Codeänderung bitten.
Modellübersicht
Das Mixture-of-Experts-Modell hat insgesamt 30,5 Milliarden Parameter und aktiviert 3,3 Milliarden. Es verfügt über 48 Schichten, 128 Experten und acht pro Token ausgewählte Experten. Gesamtparameter und aktivierte Parameter bedeuten unterschiedliche Dinge; die aktivierte Anzahl ist nicht die Größe des vollständigen Checkpoints. Seine Konfiguration als kausales Sprachmodell beschreibt ein Textmodell, keine Schnittstelle für Bilder oder Sprache.
Coder-30B-A3B-Instruct unterstützt ausschließlich den Modus ohne separate Denkblöcke und erzeugt keine expliziten Denkblöcke. Im Beispiel des Herstellers ist die Einstellung enable_thinking=False nicht erforderlich. Es kann trotzdem einen Algorithmus erklären oder einen Patch in gewöhnlichem Text begründen. Die Bitte um einzelne Gedankenschritte ist nicht mit dem Einschalten des gesonderten Thinking-Verhaltens einer anderen Qwen-Ausführung zu verwechseln.
Eine Entwicklungsanfrage vorbereiten
Stellen Sie den relevanten Code, eine Eingabe zur Veranschaulichung des aktuellen Verhaltens, das beobachtete Ergebnis und die gewünschte Änderung bereit. Geben Sie bei einem Algorithmus zunächst Eingabebedingungen und erforderliche Ausgabe an, bevor Sie nach einem Ansatz fragen. Benennen Sie bei einer Repository-Änderung die betroffene Funktion und die Schnittstellen, die die Implementierung erhalten muss. Fordern Sie einen bearbeitbaren Patch oder eine vollständige Funktion getrennt von den Erläuterungen an.
Eine nützliche Antwort kann Diagnose, vorgeschlagene Änderung und die zur Prüfung erforderlichen Kontrollen ordnen. Wenn eine Aufgabe auf einer visuellen Referenz oder aufgezeichnetem Verhalten beruht, liefern Sie eine geeignete Textdarstellung und behalten Sie Kennungen bei, mit denen sich das Ergebnis mit dem Original vergleichen lässt. Vergleichen Sie den vorgeschlagenen Patch mit dem bereitgestellten Code, dem erwarteten Verhalten und den Ergebnissen der angeschlossenen Prüfungen.
Agentisches Programmieren und Browserabläufe
Der Hersteller hebt Werkzeugaufrufe und ein speziell entwickeltes Format für Funktionsaufrufe hervor. Ein angeschlossener Agentenablauf liefert Werkzeugbeschreibungen, Eingabeschemas und Beobachtungen und führt die eigentlichen Vorgänge aus. Definieren Sie zulässige Aktionen und eine Abschlussbedingung. Geben Sie anschließend tatsächliche Untersuchungs- oder Ausführungsergebnisse an das Modell zurück, damit es seinen Arbeitsvorschlag aktualisieren kann.
Die Fähigkeit zum Einsatz als Browseragent bedeutet die Teilnahme an einem Ablauf mit angeschlossenem Browserwerkzeug, keinen automatischen Zugriff auf den Browser eines Nutzers oder dessen aktuelle Seiten. Dasselbe gilt für die Untersuchung von Repositories und die Ausführung von Code. Ein vorgeschlagener Befehl, eine Werkzeuganfrage und ein abgeschlossener Vorgang sollten im Abschlussbericht getrennt bleiben. Behalten Sie das native Werkzeugformat und die Anleitung zum Parsen bei, statt die Vorlage eines anderen Modells als austauschbar anzusehen.
Langer Kontext und Konfiguration
Der Hersteller beschreibt die YaRN-Erweiterung vom nativen Kontext mit 262.144 Tokens auf etwa eine Million für Aufgaben auf Repository-Ebene. Verwenden Sie eine zum Repository-Material passende Kontextkonfiguration und reservieren Sie Platz für Werkzeugbeobachtungen und das Ergebnis. Die Kurzanleitung schlägt auch einen kleineren Kontext, etwa 32.768, vor, wenn Speicherdruck die größere Einstellung verhindert.
Behalten Sie Codepfade, Funktionsnamen und relevante Definitionen in einer langen Eingabe. Entfernen Sie nicht relevante generierte Dateien oder Wiederholungen und reservieren Sie Platz für die Antwort. Quelltext, Verlauf, Werkzeugbeobachtungen und generierter Code teilen sich das konfigurierte Sequenzbudget; die größtmögliche Eingabe sollte nicht als perfektes Erinnern an jede Abhängigkeit verstanden werden.
Empfehlungen zur Generierung
Die Best Practices empfehlen temperature 0,7, top_p 0,8, top_k 20 und eine Wiederholungsstrafe von 1,05. Die genaue Empfehlung zur Wiederholungsstrafe unterscheidet sich von mehreren anderen Qwen-Modellen und gehört weiterhin zur Konfiguration dieser Coder-Ausführung. Qwen empfiehlt für die meisten Anfragen ein Generierungsbudget von 65.536 Tokens. Dies ist eine Empfehlung, kein unabhängig belegtes hartes Maximum.
Geben Sie Ausgabesprache und Form an, beispielsweise einen Patch, eine vollständige Funktion oder eine Erklärung, und prüfen Sie Syntax und Schnittstellen des Arbeitsergebnisses im tatsächlichen Entwicklungsablauf. Das Funktionsbeispiel des Herstellers veranschaulicht den Werkzeugmechanismus; der Werkzeugvertrag benötigt in der verwendenden Anwendung weiterhin intern konsistente Argumentnamen und eine eindeutige Rückgabesemantik.
Wesentliche Grenzen und nützliches Ergebnis
Die dokumentierte Eingabe dieses Checkpoints ist Text. Sie belegt nicht unmittelbar das Verständnis von Bildern, Audio oder Video. Generierter Code und eine überzeugend formulierte Erklärung bleiben Entwürfe, bis die angeschlossene Umgebung die relevanten Prüfergebnisse oder Beobachtungen tatsächlich zurückliefert. Das nützliche Ergebnis ist ein überprüfbarer Implementierungsvorschlag, der an die Bedingungen des bereitgestellten Repositories gebunden ist und die genaue Coder-Identität, den Modus ohne separate Denkblöcke und die Generierungsempfehlungen des Herstellers wahrt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-coder-30b-a3b-instruct | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0008 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0008 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-coder-30b-a3b-instruct", "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-coder-30b-a3b-instruct',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-coder-30b-a3b-instruct',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-coder-30b-a3b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3-coder-30b-a3b-instructQwen3-Coder-30B-A3B-Instruct ist Qwens Non-Thinking-Textmodell für Code mit insgesamt 30,5 Milliarden und 3,3 Milliarden aktivierten Parametern. Es zielt auf Entwicklung auf Repository-Ebene, Programmierung und Browser-Agentenabläufe mit 262.144 nativen Kontexttokens und eigenem Funktionsaufrufformat.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Schwerpunkte: Programmierung auf Repository-Ebene
Qwen3-Coder-30B-A3B-Instruct ist ein auf Anweisungen ausgerichtetes Textmodell für Programmieragenten. Qwen dokumentiert Programmierung, den Einsatz in Browseragenten und das Verständnis ganzer Repositories sowie ein eigenes Format für Funktionsaufrufe und die Einbindung in Abläufe wie Qwen Code. Eingabe und Ausgabe sind Text. Behalten Sie genau diesen Coder-Checkpoint bei, statt ihn durch das allgemeine Qwen3-30B-A3B-Instruct-2507 oder Qwen3-Coder-Next zu ersetzen: Deren Trainingsschwerpunkte und Generierungsempfehlungen unterscheiden sich.
Der native Kontext umfasst 262.144 Tokens; der Hersteller beschreibt eine Erweiterung mit YaRN auf ungefähr eine Million. Ein großer Kontext kann mehr Belege aus einem Repository zusammenführen, doch eine klare Aufgabe braucht weiterhin die relevanten Module, Schnittstellen und Anforderungen. Beschreiben Sie das erwartete Arbeitsergebnis und das beobachtbare Verhalten, bevor Sie um eine Codeänderung bitten.
Modellübersicht
Das Mixture-of-Experts-Modell hat insgesamt 30,5 Milliarden Parameter und aktiviert 3,3 Milliarden. Es verfügt über 48 Schichten, 128 Experten und acht pro Token ausgewählte Experten. Gesamtparameter und aktivierte Parameter bedeuten unterschiedliche Dinge; die aktivierte Anzahl ist nicht die Größe des vollständigen Checkpoints. Seine Konfiguration als kausales Sprachmodell beschreibt ein Textmodell, keine Schnittstelle für Bilder oder Sprache.
Coder-30B-A3B-Instruct unterstützt ausschließlich den Modus ohne separate Denkblöcke und erzeugt keine expliziten Denkblöcke. Im Beispiel des Herstellers ist die Einstellung enable_thinking=False nicht erforderlich. Es kann trotzdem einen Algorithmus erklären oder einen Patch in gewöhnlichem Text begründen. Die Bitte um einzelne Gedankenschritte ist nicht mit dem Einschalten des gesonderten Thinking-Verhaltens einer anderen Qwen-Ausführung zu verwechseln.
Eine Entwicklungsanfrage vorbereiten
Stellen Sie den relevanten Code, eine Eingabe zur Veranschaulichung des aktuellen Verhaltens, das beobachtete Ergebnis und die gewünschte Änderung bereit. Geben Sie bei einem Algorithmus zunächst Eingabebedingungen und erforderliche Ausgabe an, bevor Sie nach einem Ansatz fragen. Benennen Sie bei einer Repository-Änderung die betroffene Funktion und die Schnittstellen, die die Implementierung erhalten muss. Fordern Sie einen bearbeitbaren Patch oder eine vollständige Funktion getrennt von den Erläuterungen an.
Eine nützliche Antwort kann Diagnose, vorgeschlagene Änderung und die zur Prüfung erforderlichen Kontrollen ordnen. Wenn eine Aufgabe auf einer visuellen Referenz oder aufgezeichnetem Verhalten beruht, liefern Sie eine geeignete Textdarstellung und behalten Sie Kennungen bei, mit denen sich das Ergebnis mit dem Original vergleichen lässt. Vergleichen Sie den vorgeschlagenen Patch mit dem bereitgestellten Code, dem erwarteten Verhalten und den Ergebnissen der angeschlossenen Prüfungen.
Agentisches Programmieren und Browserabläufe
Der Hersteller hebt Werkzeugaufrufe und ein speziell entwickeltes Format für Funktionsaufrufe hervor. Ein angeschlossener Agentenablauf liefert Werkzeugbeschreibungen, Eingabeschemas und Beobachtungen und führt die eigentlichen Vorgänge aus. Definieren Sie zulässige Aktionen und eine Abschlussbedingung. Geben Sie anschließend tatsächliche Untersuchungs- oder Ausführungsergebnisse an das Modell zurück, damit es seinen Arbeitsvorschlag aktualisieren kann.
Die Fähigkeit zum Einsatz als Browseragent bedeutet die Teilnahme an einem Ablauf mit angeschlossenem Browserwerkzeug, keinen automatischen Zugriff auf den Browser eines Nutzers oder dessen aktuelle Seiten. Dasselbe gilt für die Untersuchung von Repositories und die Ausführung von Code. Ein vorgeschlagener Befehl, eine Werkzeuganfrage und ein abgeschlossener Vorgang sollten im Abschlussbericht getrennt bleiben. Behalten Sie das native Werkzeugformat und die Anleitung zum Parsen bei, statt die Vorlage eines anderen Modells als austauschbar anzusehen.
Langer Kontext und Konfiguration
Der Hersteller beschreibt die YaRN-Erweiterung vom nativen Kontext mit 262.144 Tokens auf etwa eine Million für Aufgaben auf Repository-Ebene. Verwenden Sie eine zum Repository-Material passende Kontextkonfiguration und reservieren Sie Platz für Werkzeugbeobachtungen und das Ergebnis. Die Kurzanleitung schlägt auch einen kleineren Kontext, etwa 32.768, vor, wenn Speicherdruck die größere Einstellung verhindert.
Behalten Sie Codepfade, Funktionsnamen und relevante Definitionen in einer langen Eingabe. Entfernen Sie nicht relevante generierte Dateien oder Wiederholungen und reservieren Sie Platz für die Antwort. Quelltext, Verlauf, Werkzeugbeobachtungen und generierter Code teilen sich das konfigurierte Sequenzbudget; die größtmögliche Eingabe sollte nicht als perfektes Erinnern an jede Abhängigkeit verstanden werden.
Empfehlungen zur Generierung
Die Best Practices empfehlen temperature 0,7, top_p 0,8, top_k 20 und eine Wiederholungsstrafe von 1,05. Die genaue Empfehlung zur Wiederholungsstrafe unterscheidet sich von mehreren anderen Qwen-Modellen und gehört weiterhin zur Konfiguration dieser Coder-Ausführung. Qwen empfiehlt für die meisten Anfragen ein Generierungsbudget von 65.536 Tokens. Dies ist eine Empfehlung, kein unabhängig belegtes hartes Maximum.
Geben Sie Ausgabesprache und Form an, beispielsweise einen Patch, eine vollständige Funktion oder eine Erklärung, und prüfen Sie Syntax und Schnittstellen des Arbeitsergebnisses im tatsächlichen Entwicklungsablauf. Das Funktionsbeispiel des Herstellers veranschaulicht den Werkzeugmechanismus; der Werkzeugvertrag benötigt in der verwendenden Anwendung weiterhin intern konsistente Argumentnamen und eine eindeutige Rückgabesemantik.
Wesentliche Grenzen und nützliches Ergebnis
Die dokumentierte Eingabe dieses Checkpoints ist Text. Sie belegt nicht unmittelbar das Verständnis von Bildern, Audio oder Video. Generierter Code und eine überzeugend formulierte Erklärung bleiben Entwürfe, bis die angeschlossene Umgebung die relevanten Prüfergebnisse oder Beobachtungen tatsächlich zurückliefert. Das nützliche Ergebnis ist ein überprüfbarer Implementierungsvorschlag, der an die Bedingungen des bereitgestellten Repositories gebunden ist und die genaue Coder-Identität, den Modus ohne separate Denkblöcke und die Generierungsempfehlungen des Herstellers wahrt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-coder-30b-a3b-instruct | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0008 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0008 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3-coder-30b-a3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-coder-30b-a3b-instruct', '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-coder-30b-a3b-instruct', '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-coder-30b-a3b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Implement interval overlap correctly\n\nImplement overlaps(a, b) for two half-open intervals [start, end), using numeric endpoints. Intervals touching at an endpoint do not overlap. Reject intervals with start greater than end; empty intervals never overlap. Return a complete Python function and tests for genuine overlap, touching, empty and reversed intervals. Keep the interface limited to two pairs.A complete Python function and four focused tests expressing the interval contract.Check that [1, 3) and [3, 5) return false and an empty interval cannot overlap a containing interval.