Schwerpunkte: ein Modell für Programmieragenten
Qwen3-Coder-Next ist ein offenes Textmodell, das gezielt für Programmieragenten und Entwicklungsabläufe entwickelt wurde. Qwen beschreibt Problemlösung über längere Aufgabenverläufe, komplexe Werkzeugnutzung und Erholung nach Ausführungsfehlern sowie die Anpassung an verschiedene Agentenumgebungen für die Entwicklung. Es nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen und Werkzeuganfragen. Genau dieser Coder-Next-Checkpoint hat einen eigenen Vertrag für den Modus ohne separate Denkblöcke; die Thinking-Ausführungen der breiteren Next-Familie sollten ihn nicht ersetzen.
Stellen Sie für eine Entwicklungsaufgabe die relevanten Dateien oder Ausschnitte, das gewünschte Verhalten und die Eingabe bereit, die ein Problem veranschaulicht. Fordern Sie eine bearbeitbare Änderung und eine Erklärung an, die sich auf diese Bedingungen bezieht. Definieren Sie bei einer mehrstufigen Aufgabe das Ziel, zulässige Werkzeuge und Beobachtungen, die den Abschluss zeigen würden. Prüfen Sie die vorgeschlagene Codeänderung und ihre Erklärung anhand der bereitgestellten Dateien, der fehlschlagenden Eingabe und der Abschlusskriterien.
Modellübersicht
Das Modell hat insgesamt 80 Milliarden Parameter und aktiviert drei Milliarden. Sein hybrider Aufbau mit 48 Schichten wiederholt drei Gated-DeltaNet-Expertenschichten, gefolgt von einer Expertenschicht mit Gated Attention. Der Hersteller nennt 512 Experten, zehn aktivierte Experten und einen gemeinsamen Experten. Die geringe aktivierte Anzahl ist ein Merkmal des Rechenaufwands des Sparse-Modells, nicht die Größe des vollständigen Checkpoints.
Der native Kontext umfasst 262.144 Tokens. Die Beispiele des Herstellers erlauben einen kleineren Kontext, etwa 32.768, wenn Speichergrenzen die größere Konfiguration verhindern. Quellcode, Verlauf, Werkzeugbeobachtungen und generierter Text müssen in das konfigurierte Sequenzbudget passen. Die Modellkarte belegt keine standardmäßige Erweiterung auf eine Million Tokens für diesen Checkpoint.
Die Textschnittstelle ohne separate Denkblöcke verwenden
Coder-Next unterstützt ausschließlich den Modus ohne separate Denkblöcke und erzeugt keine expliziten Denkblöcke. Im Beispiel des Herstellers ist enable_thinking=False nicht erforderlich. Es kann trotzdem einen Patch erklären, einen Algorithmus besprechen oder in gewöhnlichem Text argumentieren. Dieser Modus beschreibt die Ausgabeform, statt eine Erklärung auszuschließen.
Die Kurzanleitung fordert einen Sortieralgorithmus an und verwendet ein Generierungsbudget von 65.536 Tokens. Dieser Wert ist ein Beispielbudget, keine separat veröffentlichte harte Ausgabegrenze. Geben Sie Format und Bedingungen des Arbeitsergebnisses an: Sprache, relevante Schnittstellen, gefordertes Verhalten und ob die Antwort einen Patch, eine vollständige Funktion oder eine Erklärung enthalten soll. Trennen Sie das bearbeitbare Ergebnis von Erläuterungen, damit es leicht geprüft werden kann.
Agentenumgebungen für die Entwicklung und Kontext
Der Hersteller betont die Kompatibilität mit CLI- und IDE-basierten Agentenumgebungen, einschließlich Qwen Code. Eine solche Umgebung liefert Projektzustand, Werkzeugdefinitionen, Beobachtungen und Gesprächsformat. Bewahren Sie diese Eingaben während einer mehrstufigen Aufgabe konsistent. Wenn ein Werkzeug eine fehlgeschlagene Prüfung meldet, liefern Sie den tatsächlichen Fehler und den relevanten geänderten Code, statt dem Modell lediglich einen erneuten Versuch aufzutragen.
Arbeit über einen langen Aufgabenverlauf profitiert von einem sichtbaren Aufgabenstand: Was wurde beobachtet, welche Änderung wird vorgeschlagen und welche Bedingung ist noch ungeklärt? Eine Werkzeugbeobachtung unterscheidet sich von einer Behauptung in generiertem Text. Die Fähigkeit des Modells zur Erholung nach Fehlern sollte weder als automatische Erlaubnis zur Befehlsausführung noch als Garantie verstanden werden, dass jede Erholung gelingt.
Agentisches Programmieren und Werkzeugaufrufe
Qwen dokumentiert funktionsartige Werkzeugdefinitionen mit Namen, Beschreibungen, Eingabeschemas und Pflichtfeldern. Geben Sie eine genaue Definition und die erwartete Bedeutung des Rückgabewerts an. Die Anwendung führt ein ausgewähltes Werkzeug aus und gibt sein Ergebnis zurück; das Modell nutzt dieses Ergebnis anschließend im nächsten Schritt. Werkzeugaufrufe allein gewähren keinen Zugriff auf ein Dateisystem, aktuelle Quellen oder eine Ausführungsumgebung.
Beschränken Sie bei einem Agenten, der ein Repository bearbeitet, die zulässigen Dateien und das angeforderte Arbeitsergebnis. Ein nützlicher Abschlussbericht kann betroffene Module benennen, die Änderung erklären und die tatsächlichen Ergebnisse angeschlossener Prüfungen auflisten. Halten Sie vorgeschlagene Befehle, generierten Code und abgeschlossene Vorgänge auseinander. Dies sind praktische Ablaufbeispiele, die auf dem dokumentierten Entwicklungs- und Werkzeugumfang beruhen.
Empfehlungen zur Generierung
Der Hersteller empfiehlt temperature 1,0, top_p 0,95 und top_k 40. Diese genauen Einstellungen unterscheiden sich von mehreren Qwen-Konversationsmodellen und sollten Teil der eigenen Konfiguration von Coder-Next bleiben. Die veröffentlichte Konfiguration verwendet die Architektur eines kausalen Qwen3-Next-Sprachmodells. Nutzen Sie den dokumentierten Modellnamen und die Chatvorlage dieses Checkpoints im gesamten Programmierablauf konsistent.
Wesentliche Grenzen
Die dokumentierte Eingabe ist Text. Screenshots, Audio oder Video benötigen daher eine geeignete separate Darstellung, bevor sie in diesen Programmierablauf eingehen. Nativer Kontext und beispielhafte Generierungsbudgets sind endlich. Entfernen Sie nicht relevanten Code und reservieren Sie Platz für das angeforderte Arbeitsergebnis. Prüfen Sie generierte Syntax, Schnittstellen, Randfälle und vorgeschlagene Änderungen im tatsächlichen Entwicklungsablauf. Die nützliche Ausgabe ist ein überprüfbarer Code- oder Erklärungsvorschlag, gestützt auf tatsächliche Aufgabenbelege und unter Wahrung der rein textbasierten Identität und des Modus ohne separate Denkblöcke dieses Checkpoints.
", "aboutText": "Schwerpunkte: ein Modell für Programmieragenten\n\nQwen3-Coder-Next ist ein offenes Textmodell, das gezielt für Programmieragenten und Entwicklungsabläufe entwickelt wurde. Qwen beschreibt Problemlösung über längere Aufgabenverläufe, komplexe Werkzeugnutzung und Erholung nach Ausführungsfehlern sowie die Anpassung an verschiedene Agentenumgebungen für die Entwicklung. Es nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen und Werkzeuganfragen. Genau dieser Coder-Next-Checkpoint hat einen eigenen Vertrag für den Modus ohne separate Denkblöcke; die Thinking-Ausführungen der breiteren Next-Familie sollten ihn nicht ersetzen.\n\nStellen Sie für eine Entwicklungsaufgabe die relevanten Dateien oder Ausschnitte, das gewünschte Verhalten und die Eingabe bereit, die ein Problem veranschaulicht. Fordern Sie eine bearbeitbare Änderung und eine Erklärung an, die sich auf diese Bedingungen bezieht. Definieren Sie bei einer mehrstufigen Aufgabe das Ziel, zulässige Werkzeuge und Beobachtungen, die den Abschluss zeigen würden. Prüfen Sie die vorgeschlagene Codeänderung und ihre Erklärung anhand der bereitgestellten Dateien, der fehlschlagenden Eingabe und der Abschlusskriterien.\n\nModellübersicht\n\nDas Modell hat insgesamt 80 Milliarden Parameter und aktiviert drei Milliarden. Sein hybrider Aufbau mit 48 Schichten wiederholt drei Gated-DeltaNet-Expertenschichten, gefolgt von einer Expertenschicht mit Gated Attention. Der Hersteller nennt 512 Experten, zehn aktivierte Experten und einen gemeinsamen Experten. Die geringe aktivierte Anzahl ist ein Merkmal des Rechenaufwands des Sparse-Modells, nicht die Größe des vollständigen Checkpoints.\n\nDer native Kontext umfasst 262.144 Tokens. Die Beispiele des Herstellers erlauben einen kleineren Kontext, etwa 32.768, wenn Speichergrenzen die größere Konfiguration verhindern. Quellcode, Verlauf, Werkzeugbeobachtungen und generierter Text müssen in das konfigurierte Sequenzbudget passen. Die Modellkarte belegt keine standardmäßige Erweiterung auf eine Million Tokens für diesen Checkpoint.\n\nDie Textschnittstelle ohne separate Denkblöcke verwenden\n\nCoder-Next unterstützt ausschließlich den Modus ohne separate Denkblöcke und erzeugt keine expliziten Denkblöcke. Im Beispiel des Herstellers ist enable_thinking=False nicht erforderlich. Es kann trotzdem einen Patch erklären, einen Algorithmus besprechen oder in gewöhnlichem Text argumentieren. Dieser Modus beschreibt die Ausgabeform, statt eine Erklärung auszuschließen.\n\nDie Kurzanleitung fordert einen Sortieralgorithmus an und verwendet ein Generierungsbudget von 65.536 Tokens. Dieser Wert ist ein Beispielbudget, keine separat veröffentlichte harte Ausgabegrenze. Geben Sie Format und Bedingungen des Arbeitsergebnisses an: Sprache, relevante Schnittstellen, gefordertes Verhalten und ob die Antwort einen Patch, eine vollständige Funktion oder eine Erklärung enthalten soll. Trennen Sie das bearbeitbare Ergebnis von Erläuterungen, damit es leicht geprüft werden kann.\n\nAgentenumgebungen für die Entwicklung und Kontext\n\nDer Hersteller betont die Kompatibilität mit CLI- und IDE-basierten Agentenumgebungen, einschließlich Qwen Code. Eine solche Umgebung liefert Projektzustand, Werkzeugdefinitionen, Beobachtungen und Gesprächsformat. Bewahren Sie diese Eingaben während einer mehrstufigen Aufgabe konsistent. Wenn ein Werkzeug eine fehlgeschlagene Prüfung meldet, liefern Sie den tatsächlichen Fehler und den relevanten geänderten Code, statt dem Modell lediglich einen erneuten Versuch aufzutragen.\n\nArbeit über einen langen Aufgabenverlauf profitiert von einem sichtbaren Aufgabenstand: Was wurde beobachtet, welche Änderung wird vorgeschlagen und welche Bedingung ist noch ungeklärt? Eine Werkzeugbeobachtung unterscheidet sich von einer Behauptung in generiertem Text. Die Fähigkeit des Modells zur Erholung nach Fehlern sollte weder als automatische Erlaubnis zur Befehlsausführung noch als Garantie verstanden werden, dass jede Erholung gelingt.\n\nAgentisches Programmieren und Werkzeugaufrufe\n\nQwen dokumentiert funktionsartige Werkzeugdefinitionen mit Namen, Beschreibungen, Eingabeschemas und Pflichtfeldern. Geben Sie eine genaue Definition und die erwartete Bedeutung des Rückgabewerts an. Die Anwendung führt ein ausgewähltes Werkzeug aus und gibt sein Ergebnis zurück; das Modell nutzt dieses Ergebnis anschließend im nächsten Schritt. Werkzeugaufrufe allein gewähren keinen Zugriff auf ein Dateisystem, aktuelle Quellen oder eine Ausführungsumgebung.\n\nBeschränken Sie bei einem Agenten, der ein Repository bearbeitet, die zulässigen Dateien und das angeforderte Arbeitsergebnis. Ein nützlicher Abschlussbericht kann betroffene Module benennen, die Änderung erklären und die tatsächlichen Ergebnisse angeschlossener Prüfungen auflisten. Halten Sie vorgeschlagene Befehle, generierten Code und abgeschlossene Vorgänge auseinander. Dies sind praktische Ablaufbeispiele, die auf dem dokumentierten Entwicklungs- und Werkzeugumfang beruhen.\n\nEmpfehlungen zur Generierung\n\nDer Hersteller empfiehlt temperature 1,0, top_p 0,95 und top_k 40. Diese genauen Einstellungen unterscheiden sich von mehreren Qwen-Konversationsmodellen und sollten Teil der eigenen Konfiguration von Coder-Next bleiben. Die veröffentlichte Konfiguration verwendet die Architektur eines kausalen Qwen3-Next-Sprachmodells. Nutzen Sie den dokumentierten Modellnamen und die Chatvorlage dieses Checkpoints im gesamten Programmierablauf konsistent.\n\nWesentliche Grenzen\n\nDie dokumentierte Eingabe ist Text. Screenshots, Audio oder Video benötigen daher eine geeignete separate Darstellung, bevor sie in diesen Programmierablauf eingehen. Nativer Kontext und beispielhafte Generierungsbudgets sind endlich. Entfernen Sie nicht relevanten Code und reservieren Sie Platz für das angeforderte Arbeitsergebnis. Prüfen Sie generierte Syntax, Schnittstellen, Randfälle und vorgeschlagene Änderungen im tatsächlichen Entwicklungsablauf. Die nützliche Ausgabe ist ein überprüfbarer Code- oder Erklärungsvorschlag, gestützt auf tatsächliche Aufgabenbelege und unter Wahrung der rein textbasierten Identität und des Modus ohne separate Denkblöcke dieses Checkpoints.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Implement a stable partition helper\n\nWrite a Python function partition_even(values) returning two new lists: even integers first and odd integers second. Preserve order within each list and do not mutate values. Provide tests for negative integers, repeated values and empty input. Return the complete function separately from the explanation, with no claim that tests have been executed.A complete function, tests for the named cases and a brief order-preservation explanation.Check that each input occurrence appears exactly once in the appropriate result list and that source order is retained.qwen/qwen3-coder-nextQwen3-Coder-Next ist Qwens rein textbasiertes Modell für Programmieragenten mit insgesamt 80 Milliarden und 3 Milliarden aktivierten Parametern. Es nutzt Ausgaben ohne separate Denkblöcke, einen nativen Kontext von 262.144 Tokens und Werkzeugaufrufe für Entwicklung, mehrstufige Arbeit und Erholung anhand von Ausführungsrückmeldungen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Schwerpunkte: ein Modell für Programmieragenten
Qwen3-Coder-Next ist ein offenes Textmodell, das gezielt für Programmieragenten und Entwicklungsabläufe entwickelt wurde. Qwen beschreibt Problemlösung über längere Aufgabenverläufe, komplexe Werkzeugnutzung und Erholung nach Ausführungsfehlern sowie die Anpassung an verschiedene Agentenumgebungen für die Entwicklung. Es nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen und Werkzeuganfragen. Genau dieser Coder-Next-Checkpoint hat einen eigenen Vertrag für den Modus ohne separate Denkblöcke; die Thinking-Ausführungen der breiteren Next-Familie sollten ihn nicht ersetzen.
Stellen Sie für eine Entwicklungsaufgabe die relevanten Dateien oder Ausschnitte, das gewünschte Verhalten und die Eingabe bereit, die ein Problem veranschaulicht. Fordern Sie eine bearbeitbare Änderung und eine Erklärung an, die sich auf diese Bedingungen bezieht. Definieren Sie bei einer mehrstufigen Aufgabe das Ziel, zulässige Werkzeuge und Beobachtungen, die den Abschluss zeigen würden. Prüfen Sie die vorgeschlagene Codeänderung und ihre Erklärung anhand der bereitgestellten Dateien, der fehlschlagenden Eingabe und der Abschlusskriterien.
Modellübersicht
Das Modell hat insgesamt 80 Milliarden Parameter und aktiviert drei Milliarden. Sein hybrider Aufbau mit 48 Schichten wiederholt drei Gated-DeltaNet-Expertenschichten, gefolgt von einer Expertenschicht mit Gated Attention. Der Hersteller nennt 512 Experten, zehn aktivierte Experten und einen gemeinsamen Experten. Die geringe aktivierte Anzahl ist ein Merkmal des Rechenaufwands des Sparse-Modells, nicht die Größe des vollständigen Checkpoints.
Der native Kontext umfasst 262.144 Tokens. Die Beispiele des Herstellers erlauben einen kleineren Kontext, etwa 32.768, wenn Speichergrenzen die größere Konfiguration verhindern. Quellcode, Verlauf, Werkzeugbeobachtungen und generierter Text müssen in das konfigurierte Sequenzbudget passen. Die Modellkarte belegt keine standardmäßige Erweiterung auf eine Million Tokens für diesen Checkpoint.
Die Textschnittstelle ohne separate Denkblöcke verwenden
Coder-Next unterstützt ausschließlich den Modus ohne separate Denkblöcke und erzeugt keine expliziten Denkblöcke. Im Beispiel des Herstellers ist enable_thinking=False nicht erforderlich. Es kann trotzdem einen Patch erklären, einen Algorithmus besprechen oder in gewöhnlichem Text argumentieren. Dieser Modus beschreibt die Ausgabeform, statt eine Erklärung auszuschließen.
Die Kurzanleitung fordert einen Sortieralgorithmus an und verwendet ein Generierungsbudget von 65.536 Tokens. Dieser Wert ist ein Beispielbudget, keine separat veröffentlichte harte Ausgabegrenze. Geben Sie Format und Bedingungen des Arbeitsergebnisses an: Sprache, relevante Schnittstellen, gefordertes Verhalten und ob die Antwort einen Patch, eine vollständige Funktion oder eine Erklärung enthalten soll. Trennen Sie das bearbeitbare Ergebnis von Erläuterungen, damit es leicht geprüft werden kann.
Agentenumgebungen für die Entwicklung und Kontext
Der Hersteller betont die Kompatibilität mit CLI- und IDE-basierten Agentenumgebungen, einschließlich Qwen Code. Eine solche Umgebung liefert Projektzustand, Werkzeugdefinitionen, Beobachtungen und Gesprächsformat. Bewahren Sie diese Eingaben während einer mehrstufigen Aufgabe konsistent. Wenn ein Werkzeug eine fehlgeschlagene Prüfung meldet, liefern Sie den tatsächlichen Fehler und den relevanten geänderten Code, statt dem Modell lediglich einen erneuten Versuch aufzutragen.
Arbeit über einen langen Aufgabenverlauf profitiert von einem sichtbaren Aufgabenstand: Was wurde beobachtet, welche Änderung wird vorgeschlagen und welche Bedingung ist noch ungeklärt? Eine Werkzeugbeobachtung unterscheidet sich von einer Behauptung in generiertem Text. Die Fähigkeit des Modells zur Erholung nach Fehlern sollte weder als automatische Erlaubnis zur Befehlsausführung noch als Garantie verstanden werden, dass jede Erholung gelingt.
Agentisches Programmieren und Werkzeugaufrufe
Qwen dokumentiert funktionsartige Werkzeugdefinitionen mit Namen, Beschreibungen, Eingabeschemas und Pflichtfeldern. Geben Sie eine genaue Definition und die erwartete Bedeutung des Rückgabewerts an. Die Anwendung führt ein ausgewähltes Werkzeug aus und gibt sein Ergebnis zurück; das Modell nutzt dieses Ergebnis anschließend im nächsten Schritt. Werkzeugaufrufe allein gewähren keinen Zugriff auf ein Dateisystem, aktuelle Quellen oder eine Ausführungsumgebung.
Beschränken Sie bei einem Agenten, der ein Repository bearbeitet, die zulässigen Dateien und das angeforderte Arbeitsergebnis. Ein nützlicher Abschlussbericht kann betroffene Module benennen, die Änderung erklären und die tatsächlichen Ergebnisse angeschlossener Prüfungen auflisten. Halten Sie vorgeschlagene Befehle, generierten Code und abgeschlossene Vorgänge auseinander. Dies sind praktische Ablaufbeispiele, die auf dem dokumentierten Entwicklungs- und Werkzeugumfang beruhen.
Empfehlungen zur Generierung
Der Hersteller empfiehlt temperature 1,0, top_p 0,95 und top_k 40. Diese genauen Einstellungen unterscheiden sich von mehreren Qwen-Konversationsmodellen und sollten Teil der eigenen Konfiguration von Coder-Next bleiben. Die veröffentlichte Konfiguration verwendet die Architektur eines kausalen Qwen3-Next-Sprachmodells. Nutzen Sie den dokumentierten Modellnamen und die Chatvorlage dieses Checkpoints im gesamten Programmierablauf konsistent.
Wesentliche Grenzen
Die dokumentierte Eingabe ist Text. Screenshots, Audio oder Video benötigen daher eine geeignete separate Darstellung, bevor sie in diesen Programmierablauf eingehen. Nativer Kontext und beispielhafte Generierungsbudgets sind endlich. Entfernen Sie nicht relevanten Code und reservieren Sie Platz für das angeforderte Arbeitsergebnis. Prüfen Sie generierte Syntax, Schnittstellen, Randfälle und vorgeschlagene Änderungen im tatsächlichen Entwicklungsablauf. Die nützliche Ausgabe ist ein überprüfbarer Code- oder Erklärungsvorschlag, gestützt auf tatsächliche Aufgabenbelege und unter Wahrung der rein textbasierten Identität und des Modus ohne separate Denkblöcke dieses Checkpoints.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-coder-next | 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 $0.00024 / 1K Token Ausgabe · Ausgabetoken $0.0016 / 1K Token Eingabe · Cache-Lesen $0.00014 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00024 / 1K Token Ausgabe · Ausgabetoken $0.0016 / 1K Token Eingabe · Cache-Lesen $0.00014 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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-next", "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-next',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-next',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-next
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3-coder-nextQwen3-Coder-Next ist Qwens rein textbasiertes Modell für Programmieragenten mit insgesamt 80 Milliarden und 3 Milliarden aktivierten Parametern. Es nutzt Ausgaben ohne separate Denkblöcke, einen nativen Kontext von 262.144 Tokens und Werkzeugaufrufe für Entwicklung, mehrstufige Arbeit und Erholung anhand von Ausführungsrückmeldungen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Schwerpunkte: ein Modell für Programmieragenten
Qwen3-Coder-Next ist ein offenes Textmodell, das gezielt für Programmieragenten und Entwicklungsabläufe entwickelt wurde. Qwen beschreibt Problemlösung über längere Aufgabenverläufe, komplexe Werkzeugnutzung und Erholung nach Ausführungsfehlern sowie die Anpassung an verschiedene Agentenumgebungen für die Entwicklung. Es nimmt Text entgegen und erzeugt Text, darunter Code, Erklärungen und Werkzeuganfragen. Genau dieser Coder-Next-Checkpoint hat einen eigenen Vertrag für den Modus ohne separate Denkblöcke; die Thinking-Ausführungen der breiteren Next-Familie sollten ihn nicht ersetzen.
Stellen Sie für eine Entwicklungsaufgabe die relevanten Dateien oder Ausschnitte, das gewünschte Verhalten und die Eingabe bereit, die ein Problem veranschaulicht. Fordern Sie eine bearbeitbare Änderung und eine Erklärung an, die sich auf diese Bedingungen bezieht. Definieren Sie bei einer mehrstufigen Aufgabe das Ziel, zulässige Werkzeuge und Beobachtungen, die den Abschluss zeigen würden. Prüfen Sie die vorgeschlagene Codeänderung und ihre Erklärung anhand der bereitgestellten Dateien, der fehlschlagenden Eingabe und der Abschlusskriterien.
Modellübersicht
Das Modell hat insgesamt 80 Milliarden Parameter und aktiviert drei Milliarden. Sein hybrider Aufbau mit 48 Schichten wiederholt drei Gated-DeltaNet-Expertenschichten, gefolgt von einer Expertenschicht mit Gated Attention. Der Hersteller nennt 512 Experten, zehn aktivierte Experten und einen gemeinsamen Experten. Die geringe aktivierte Anzahl ist ein Merkmal des Rechenaufwands des Sparse-Modells, nicht die Größe des vollständigen Checkpoints.
Der native Kontext umfasst 262.144 Tokens. Die Beispiele des Herstellers erlauben einen kleineren Kontext, etwa 32.768, wenn Speichergrenzen die größere Konfiguration verhindern. Quellcode, Verlauf, Werkzeugbeobachtungen und generierter Text müssen in das konfigurierte Sequenzbudget passen. Die Modellkarte belegt keine standardmäßige Erweiterung auf eine Million Tokens für diesen Checkpoint.
Die Textschnittstelle ohne separate Denkblöcke verwenden
Coder-Next unterstützt ausschließlich den Modus ohne separate Denkblöcke und erzeugt keine expliziten Denkblöcke. Im Beispiel des Herstellers ist enable_thinking=False nicht erforderlich. Es kann trotzdem einen Patch erklären, einen Algorithmus besprechen oder in gewöhnlichem Text argumentieren. Dieser Modus beschreibt die Ausgabeform, statt eine Erklärung auszuschließen.
Die Kurzanleitung fordert einen Sortieralgorithmus an und verwendet ein Generierungsbudget von 65.536 Tokens. Dieser Wert ist ein Beispielbudget, keine separat veröffentlichte harte Ausgabegrenze. Geben Sie Format und Bedingungen des Arbeitsergebnisses an: Sprache, relevante Schnittstellen, gefordertes Verhalten und ob die Antwort einen Patch, eine vollständige Funktion oder eine Erklärung enthalten soll. Trennen Sie das bearbeitbare Ergebnis von Erläuterungen, damit es leicht geprüft werden kann.
Agentenumgebungen für die Entwicklung und Kontext
Der Hersteller betont die Kompatibilität mit CLI- und IDE-basierten Agentenumgebungen, einschließlich Qwen Code. Eine solche Umgebung liefert Projektzustand, Werkzeugdefinitionen, Beobachtungen und Gesprächsformat. Bewahren Sie diese Eingaben während einer mehrstufigen Aufgabe konsistent. Wenn ein Werkzeug eine fehlgeschlagene Prüfung meldet, liefern Sie den tatsächlichen Fehler und den relevanten geänderten Code, statt dem Modell lediglich einen erneuten Versuch aufzutragen.
Arbeit über einen langen Aufgabenverlauf profitiert von einem sichtbaren Aufgabenstand: Was wurde beobachtet, welche Änderung wird vorgeschlagen und welche Bedingung ist noch ungeklärt? Eine Werkzeugbeobachtung unterscheidet sich von einer Behauptung in generiertem Text. Die Fähigkeit des Modells zur Erholung nach Fehlern sollte weder als automatische Erlaubnis zur Befehlsausführung noch als Garantie verstanden werden, dass jede Erholung gelingt.
Agentisches Programmieren und Werkzeugaufrufe
Qwen dokumentiert funktionsartige Werkzeugdefinitionen mit Namen, Beschreibungen, Eingabeschemas und Pflichtfeldern. Geben Sie eine genaue Definition und die erwartete Bedeutung des Rückgabewerts an. Die Anwendung führt ein ausgewähltes Werkzeug aus und gibt sein Ergebnis zurück; das Modell nutzt dieses Ergebnis anschließend im nächsten Schritt. Werkzeugaufrufe allein gewähren keinen Zugriff auf ein Dateisystem, aktuelle Quellen oder eine Ausführungsumgebung.
Beschränken Sie bei einem Agenten, der ein Repository bearbeitet, die zulässigen Dateien und das angeforderte Arbeitsergebnis. Ein nützlicher Abschlussbericht kann betroffene Module benennen, die Änderung erklären und die tatsächlichen Ergebnisse angeschlossener Prüfungen auflisten. Halten Sie vorgeschlagene Befehle, generierten Code und abgeschlossene Vorgänge auseinander. Dies sind praktische Ablaufbeispiele, die auf dem dokumentierten Entwicklungs- und Werkzeugumfang beruhen.
Empfehlungen zur Generierung
Der Hersteller empfiehlt temperature 1,0, top_p 0,95 und top_k 40. Diese genauen Einstellungen unterscheiden sich von mehreren Qwen-Konversationsmodellen und sollten Teil der eigenen Konfiguration von Coder-Next bleiben. Die veröffentlichte Konfiguration verwendet die Architektur eines kausalen Qwen3-Next-Sprachmodells. Nutzen Sie den dokumentierten Modellnamen und die Chatvorlage dieses Checkpoints im gesamten Programmierablauf konsistent.
Wesentliche Grenzen
Die dokumentierte Eingabe ist Text. Screenshots, Audio oder Video benötigen daher eine geeignete separate Darstellung, bevor sie in diesen Programmierablauf eingehen. Nativer Kontext und beispielhafte Generierungsbudgets sind endlich. Entfernen Sie nicht relevanten Code und reservieren Sie Platz für das angeforderte Arbeitsergebnis. Prüfen Sie generierte Syntax, Schnittstellen, Randfälle und vorgeschlagene Änderungen im tatsächlichen Entwicklungsablauf. Die nützliche Ausgabe ist ein überprüfbarer Code- oder Erklärungsvorschlag, gestützt auf tatsächliche Aufgabenbelege und unter Wahrung der rein textbasierten Identität und des Modus ohne separate Denkblöcke dieses Checkpoints.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-coder-next | 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 $0.00024 / 1K Token Ausgabe · Ausgabetoken $0.0016 / 1K Token Eingabe · Cache-Lesen $0.00014 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00024 / 1K Token Ausgabe · Ausgabetoken $0.0016 / 1K Token Eingabe · Cache-Lesen $0.00014 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3-coder-next",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-next', '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-next', '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-next
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Implement a stable partition helper\n\nWrite a Python function partition_even(values) returning two new lists: even integers first and odd integers second. Preserve order within each list and do not mutate values. Provide tests for negative integers, repeated values and empty input. Return the complete function separately from the explanation, with no claim that tests have been executed.A complete function, tests for the named cases and a brief order-preservation explanation.Check that each input occurrence appears exactly once in the appropriate result list and that source order is retained.