Qwen3-Next-Schwerpunkte: direkte Textanweisungen
Qwen3-Next-80B-A3B-Instruct ist die anweisungsorientierte Textausführung von Qwen3-Next ohne separate Denkblöcke. Sie nimmt Text entgegen und liefert Text, darunter Erklärungen, Codevorschläge und angeforderte Dokumente. Sie erzeugt keine expliziten Denkblöcke. Halten Sie sie von der Thinking-Ausführung und dem auf Programmierung spezialisierten Qwen3-Coder-Next getrennt: Eine gemeinsame Familienarchitektur macht ihre Antwortverträge nicht austauschbar.
Die Familie führt hybride Aufmerksamkeit aus Gated DeltaNet und Gated Attention, Experten mit hoher Sparsität, Stabilitätsoptimierungen einschließlich nullzentrierter Schichtnormalisierung mit Gewichtsabklingung sowie die Vorhersage mehrerer Tokens ein. Diese Änderungen betreffen Darstellung und Training langer Sequenzen. Ihre Effizienz bei der Inferenz hängt von der Implementierung ab; Architekturwerte sollten daher nicht in eine feste Zusage zu Latenz oder Durchsatz umgedeutet werden.
Modellübersicht
Der Checkpoint hat insgesamt 80 Milliarden Parameter und aktiviert drei Milliarden. Seine 48 Schichten folgen einem wiederholten Expertenmuster aus drei DeltaNet-Schichten und einer Schicht mit Gated Attention. Der Hersteller nennt 512 Experten, zehn aktivierte Experten und einen gemeinsamen Experten sowie Vortraining auf 15 Billionen Tokens mit anschließendem Nachtraining. Aktivierte Parameter sind nicht die Größe des vollständigen Checkpoints.
Der native Kontext umfasst 262.144 Tokens, mit dokumentierter Erweiterung auf 1.010.000. Die Bereitstellungsbeispiele des Herstellers erlauben einen kleineren Kontext, etwa 32.768, wenn Ressourcenbeschränkungen die größere Einstellung verhindern. Text, Gesprächsverlauf, Werkzeugbeobachtungen und generierte Inhalte teilen sich das konfigurierte Sequenzbudget. Die Erweiterung ist ein zusätzlicher Konfigurationsweg, keine standardmäßig unbegrenzte Eingabe.
Die Instruct-Schnittstelle verwenden
Dieses Modell unterstützt ausschließlich den anweisungsorientierten Modus ohne separate Denkblöcke. Es kann einen Algorithmus erklären, Berechnungen zeigen oder eine Schlussfolgerung in gewöhnlichem Text begründen, ohne einen eigenen Denkblock zu erzeugen. Fordern Sie Format und Grenzen des Arbeitsergebnisses an: eine vollständige Funktion, einen knappen Bericht, eine Belegtabelle oder eine Antwort mit unterstützenden Schritten. Die Bitte um eine lange Erklärung verwandelt es nicht in den separat benannten Thinking-Checkpoint.
Behalten Sie bei einer Dokumentaufgabe Abschnittskennungen bei und definieren Sie die Fragen, die der Bericht beantworten muss. Stellen Sie für Code die relevante Funktion oder das Modul, Eingabebedingungen und die erwartete Ausgabe bereit. Geben Sie für Mathematik die vollständige Aufgabenstellung an und verlangen Sie ein klar abgegrenztes Endergebnis. Vergleichen Sie zurückgelieferte Berechnungen, Code oder Erklärungen mit den vorgegebenen Bedingungen und tatsächlichen Ergebnissen.
Implementierung und Werkzeuge
Der Hersteller dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent für Vorlagen und Parsing, mit konfigurierten oder über MCP angeschlossenen Werkzeugen. Ein angeschlossener Ablauf kann Suche, Untersuchung oder zulässige Ausführung bereitstellen und tatsächliche Beobachtungen zurückgeben. Benennen Sie Werkzeuge, erlaubte Aktionen und sichtbare Abschlussbedingungen und verlangen Sie im Abschlussbericht die Unterscheidung zwischen Vorschlägen und tatsächlich zurückgelieferten Ergebnissen.
Die Vorhersage mehrerer Tokens ist Teil des Trainings, ihre Nutzung bei der Inferenz hängt jedoch von der Implementierung ab und ist nicht allgemein in jedem leichtgewichtigen Ablauf verfügbar. Eine Vorlage oder Architekturfunktion belegt für sich keinen Zugriff auf aktuelle Quellen, Dateien oder eine Codeumgebung. Behalten Sie das genaue Modell und Gesprächsformat der gewählten Schnittstelle bei.
Besonders lange Texte
Der Hersteller validiert mit YaRN einen Kontext von ungefähr einer Million Tokens und nennt eine Konfiguration mit Faktor vier auf Grundlage von 262.144 nativen Positionen. Für Aufgaben mit 524.288 Tokens empfiehlt er Faktor zwei. Statische Skalierung kann die Leistung bei kürzeren Texten mindern. Die Konfiguration sollte sich deshalb nach dem tatsächlichen Bedarf an längeren Eingaben richten.
Ordnen Sie lange Materialien nach Dokument, Codepfad oder Abschnitt und entfernen Sie nicht relevante Wiederholungen. Lassen Sie die Antwort ihre unterstützenden Passagen oder Bedingungen benennen. Reservieren Sie Platz für die Antwort, statt die größte Kontextzahl als vollständiges Erinnern an jedes gelieferte Detail zu verstehen. Der veröffentlichte Erweiterungswert von 1.010.000 und die Validierung um eine Million bleiben auf den Langkontextablauf des Herstellers bezogen.
Empfehlungen zur Generierung
Die Best Practices empfehlen temperature 0,7, top_p 0,8, top_k 20 und min_p 0. Soweit unterstützt, kann eine Präsenzstrafe zwischen null und zwei Wiederholungen reduzieren; höhere Werte können jedoch Sprachen vermischen oder die Qualität leicht mindern. Der Hersteller empfiehlt für die meisten Anfragen ein Ausgabebudget von 16.384 Tokens. Dies ist ein empfohlenes Generierungsbudget, kein unabhängiges hartes Maximum; es sollte nicht die längeren Budgets der Thinking-Ausführung übernehmen.
Geben Sie die Ergebnisform ausdrücklich an, beispielsweise einen mathematischen Trenner oder ein Antwortfeld. Gestalten Sie das endgültige Arbeitsergebnis leicht überprüfbar und kontrollieren Sie seine Berechnungen, Zitate oder seinen Code anhand der Quelle. Diese reine Textausführung akzeptiert Bilder, Audio oder Video nicht als eigene Eingabe. Solche Materialien benötigen daher eine geeignete separate Darstellung, bevor sie die Aufgabe unterstützen können.
Praktisches Ergebnis
Die nützliche Ausgabe ist ein konkretes Textartefakt auf Grundlage der bereitgestellten Bedingungen: eine Dokumenterklärung, ein Codevorschlag oder eine direkte Antwort mit den erforderlichen unterstützenden Details. Langer Kontext und Werkzeugaufrufe können helfen, mehr Belege durch einen Ablauf zu führen, während der Vertrag ohne separate Denkblöcke den Ausgabestil dieser konkreten Ausführung klar hält. Prüfen Sie das Ergebnis in der tatsächlichen Aufgabenumgebung, statt aus seiner Länge oder einer überzeugenden Formulierung auf Richtigkeit zu schließen.
", "aboutText": "Qwen3-Next-Schwerpunkte: direkte Textanweisungen\n\nQwen3-Next-80B-A3B-Instruct ist die anweisungsorientierte Textausführung von Qwen3-Next ohne separate Denkblöcke. Sie nimmt Text entgegen und liefert Text, darunter Erklärungen, Codevorschläge und angeforderte Dokumente. Sie erzeugt keine expliziten Denkblöcke. Halten Sie sie von der Thinking-Ausführung und dem auf Programmierung spezialisierten Qwen3-Coder-Next getrennt: Eine gemeinsame Familienarchitektur macht ihre Antwortverträge nicht austauschbar.\n\nDie Familie führt hybride Aufmerksamkeit aus Gated DeltaNet und Gated Attention, Experten mit hoher Sparsität, Stabilitätsoptimierungen einschließlich nullzentrierter Schichtnormalisierung mit Gewichtsabklingung sowie die Vorhersage mehrerer Tokens ein. Diese Änderungen betreffen Darstellung und Training langer Sequenzen. Ihre Effizienz bei der Inferenz hängt von der Implementierung ab; Architekturwerte sollten daher nicht in eine feste Zusage zu Latenz oder Durchsatz umgedeutet werden.\n\nModellübersicht\n\nDer Checkpoint hat insgesamt 80 Milliarden Parameter und aktiviert drei Milliarden. Seine 48 Schichten folgen einem wiederholten Expertenmuster aus drei DeltaNet-Schichten und einer Schicht mit Gated Attention. Der Hersteller nennt 512 Experten, zehn aktivierte Experten und einen gemeinsamen Experten sowie Vortraining auf 15 Billionen Tokens mit anschließendem Nachtraining. Aktivierte Parameter sind nicht die Größe des vollständigen Checkpoints.\n\nDer native Kontext umfasst 262.144 Tokens, mit dokumentierter Erweiterung auf 1.010.000. Die Bereitstellungsbeispiele des Herstellers erlauben einen kleineren Kontext, etwa 32.768, wenn Ressourcenbeschränkungen die größere Einstellung verhindern. Text, Gesprächsverlauf, Werkzeugbeobachtungen und generierte Inhalte teilen sich das konfigurierte Sequenzbudget. Die Erweiterung ist ein zusätzlicher Konfigurationsweg, keine standardmäßig unbegrenzte Eingabe.\n\nDie Instruct-Schnittstelle verwenden\n\nDieses Modell unterstützt ausschließlich den anweisungsorientierten Modus ohne separate Denkblöcke. Es kann einen Algorithmus erklären, Berechnungen zeigen oder eine Schlussfolgerung in gewöhnlichem Text begründen, ohne einen eigenen Denkblock zu erzeugen. Fordern Sie Format und Grenzen des Arbeitsergebnisses an: eine vollständige Funktion, einen knappen Bericht, eine Belegtabelle oder eine Antwort mit unterstützenden Schritten. Die Bitte um eine lange Erklärung verwandelt es nicht in den separat benannten Thinking-Checkpoint.\n\nBehalten Sie bei einer Dokumentaufgabe Abschnittskennungen bei und definieren Sie die Fragen, die der Bericht beantworten muss. Stellen Sie für Code die relevante Funktion oder das Modul, Eingabebedingungen und die erwartete Ausgabe bereit. Geben Sie für Mathematik die vollständige Aufgabenstellung an und verlangen Sie ein klar abgegrenztes Endergebnis. Vergleichen Sie zurückgelieferte Berechnungen, Code oder Erklärungen mit den vorgegebenen Bedingungen und tatsächlichen Ergebnissen.\n\nImplementierung und Werkzeuge\n\nDer Hersteller dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent für Vorlagen und Parsing, mit konfigurierten oder über MCP angeschlossenen Werkzeugen. Ein angeschlossener Ablauf kann Suche, Untersuchung oder zulässige Ausführung bereitstellen und tatsächliche Beobachtungen zurückgeben. Benennen Sie Werkzeuge, erlaubte Aktionen und sichtbare Abschlussbedingungen und verlangen Sie im Abschlussbericht die Unterscheidung zwischen Vorschlägen und tatsächlich zurückgelieferten Ergebnissen.\n\nDie Vorhersage mehrerer Tokens ist Teil des Trainings, ihre Nutzung bei der Inferenz hängt jedoch von der Implementierung ab und ist nicht allgemein in jedem leichtgewichtigen Ablauf verfügbar. Eine Vorlage oder Architekturfunktion belegt für sich keinen Zugriff auf aktuelle Quellen, Dateien oder eine Codeumgebung. Behalten Sie das genaue Modell und Gesprächsformat der gewählten Schnittstelle bei.\n\nBesonders lange Texte\n\nDer Hersteller validiert mit YaRN einen Kontext von ungefähr einer Million Tokens und nennt eine Konfiguration mit Faktor vier auf Grundlage von 262.144 nativen Positionen. Für Aufgaben mit 524.288 Tokens empfiehlt er Faktor zwei. Statische Skalierung kann die Leistung bei kürzeren Texten mindern. Die Konfiguration sollte sich deshalb nach dem tatsächlichen Bedarf an längeren Eingaben richten.\n\nOrdnen Sie lange Materialien nach Dokument, Codepfad oder Abschnitt und entfernen Sie nicht relevante Wiederholungen. Lassen Sie die Antwort ihre unterstützenden Passagen oder Bedingungen benennen. Reservieren Sie Platz für die Antwort, statt die größte Kontextzahl als vollständiges Erinnern an jedes gelieferte Detail zu verstehen. Der veröffentlichte Erweiterungswert von 1.010.000 und die Validierung um eine Million bleiben auf den Langkontextablauf des Herstellers bezogen.\n\nEmpfehlungen zur Generierung\n\nDie Best Practices empfehlen temperature 0,7, top_p 0,8, top_k 20 und min_p 0. Soweit unterstützt, kann eine Präsenzstrafe zwischen null und zwei Wiederholungen reduzieren; höhere Werte können jedoch Sprachen vermischen oder die Qualität leicht mindern. Der Hersteller empfiehlt für die meisten Anfragen ein Ausgabebudget von 16.384 Tokens. Dies ist ein empfohlenes Generierungsbudget, kein unabhängiges hartes Maximum; es sollte nicht die längeren Budgets der Thinking-Ausführung übernehmen.\n\nGeben Sie die Ergebnisform ausdrücklich an, beispielsweise einen mathematischen Trenner oder ein Antwortfeld. Gestalten Sie das endgültige Arbeitsergebnis leicht überprüfbar und kontrollieren Sie seine Berechnungen, Zitate oder seinen Code anhand der Quelle. Diese reine Textausführung akzeptiert Bilder, Audio oder Video nicht als eigene Eingabe. Solche Materialien benötigen daher eine geeignete separate Darstellung, bevor sie die Aufgabe unterstützen können.\n\nPraktisches Ergebnis\n\nDie nützliche Ausgabe ist ein konkretes Textartefakt auf Grundlage der bereitgestellten Bedingungen: eine Dokumenterklärung, ein Codevorschlag oder eine direkte Antwort mit den erforderlichen unterstützenden Details. Langer Kontext und Werkzeugaufrufe können helfen, mehr Belege durch einen Ablauf zu führen, während der Vertrag ohne separate Denkblöcke den Ausgabestil dieser konkreten Ausführung klar hält. Prüfen Sie das Ergebnis in der tatsächlichen Aufgabenumgebung, statt aus seiner Länge oder einer überzeugenden Formulierung auf Richtigkeit zu schließen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Explain a section-specific decision\n\nAnswer only from these procedure sections. Section 2: standard purchases need a manager's approval. Section 4: emergency safety purchases may proceed first, but must be reported to that manager within one day. Case: a broken emergency exit light needs replacement today. Give a concise recommendation with section references and identify the follow-up obligation. Do not invent an approval already granted.A direct recommendation with supporting sections and the one-day reporting obligation.The emergency exception retains its reporting condition and is not generalised to all purchases.qwen/qwen3-next-80b-a3b-instructQwen3-Next-80B-A3B-Instruct ist Qwens Textausführung ohne separate Denkblöcke mit insgesamt 80 Milliarden und 3 Milliarden aktivierten Parametern. Sie verbindet hybride Aufmerksamkeit, sparse Experten und Werkzeugaufrufe mit 262.144 Tokens nativem Kontext, per Konfiguration auf 1.010.000 erweiterbar.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3-Next-Schwerpunkte: direkte Textanweisungen
Qwen3-Next-80B-A3B-Instruct ist die anweisungsorientierte Textausführung von Qwen3-Next ohne separate Denkblöcke. Sie nimmt Text entgegen und liefert Text, darunter Erklärungen, Codevorschläge und angeforderte Dokumente. Sie erzeugt keine expliziten Denkblöcke. Halten Sie sie von der Thinking-Ausführung und dem auf Programmierung spezialisierten Qwen3-Coder-Next getrennt: Eine gemeinsame Familienarchitektur macht ihre Antwortverträge nicht austauschbar.
Die Familie führt hybride Aufmerksamkeit aus Gated DeltaNet und Gated Attention, Experten mit hoher Sparsität, Stabilitätsoptimierungen einschließlich nullzentrierter Schichtnormalisierung mit Gewichtsabklingung sowie die Vorhersage mehrerer Tokens ein. Diese Änderungen betreffen Darstellung und Training langer Sequenzen. Ihre Effizienz bei der Inferenz hängt von der Implementierung ab; Architekturwerte sollten daher nicht in eine feste Zusage zu Latenz oder Durchsatz umgedeutet werden.
Modellübersicht
Der Checkpoint hat insgesamt 80 Milliarden Parameter und aktiviert drei Milliarden. Seine 48 Schichten folgen einem wiederholten Expertenmuster aus drei DeltaNet-Schichten und einer Schicht mit Gated Attention. Der Hersteller nennt 512 Experten, zehn aktivierte Experten und einen gemeinsamen Experten sowie Vortraining auf 15 Billionen Tokens mit anschließendem Nachtraining. Aktivierte Parameter sind nicht die Größe des vollständigen Checkpoints.
Der native Kontext umfasst 262.144 Tokens, mit dokumentierter Erweiterung auf 1.010.000. Die Bereitstellungsbeispiele des Herstellers erlauben einen kleineren Kontext, etwa 32.768, wenn Ressourcenbeschränkungen die größere Einstellung verhindern. Text, Gesprächsverlauf, Werkzeugbeobachtungen und generierte Inhalte teilen sich das konfigurierte Sequenzbudget. Die Erweiterung ist ein zusätzlicher Konfigurationsweg, keine standardmäßig unbegrenzte Eingabe.
Die Instruct-Schnittstelle verwenden
Dieses Modell unterstützt ausschließlich den anweisungsorientierten Modus ohne separate Denkblöcke. Es kann einen Algorithmus erklären, Berechnungen zeigen oder eine Schlussfolgerung in gewöhnlichem Text begründen, ohne einen eigenen Denkblock zu erzeugen. Fordern Sie Format und Grenzen des Arbeitsergebnisses an: eine vollständige Funktion, einen knappen Bericht, eine Belegtabelle oder eine Antwort mit unterstützenden Schritten. Die Bitte um eine lange Erklärung verwandelt es nicht in den separat benannten Thinking-Checkpoint.
Behalten Sie bei einer Dokumentaufgabe Abschnittskennungen bei und definieren Sie die Fragen, die der Bericht beantworten muss. Stellen Sie für Code die relevante Funktion oder das Modul, Eingabebedingungen und die erwartete Ausgabe bereit. Geben Sie für Mathematik die vollständige Aufgabenstellung an und verlangen Sie ein klar abgegrenztes Endergebnis. Vergleichen Sie zurückgelieferte Berechnungen, Code oder Erklärungen mit den vorgegebenen Bedingungen und tatsächlichen Ergebnissen.
Implementierung und Werkzeuge
Der Hersteller dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent für Vorlagen und Parsing, mit konfigurierten oder über MCP angeschlossenen Werkzeugen. Ein angeschlossener Ablauf kann Suche, Untersuchung oder zulässige Ausführung bereitstellen und tatsächliche Beobachtungen zurückgeben. Benennen Sie Werkzeuge, erlaubte Aktionen und sichtbare Abschlussbedingungen und verlangen Sie im Abschlussbericht die Unterscheidung zwischen Vorschlägen und tatsächlich zurückgelieferten Ergebnissen.
Die Vorhersage mehrerer Tokens ist Teil des Trainings, ihre Nutzung bei der Inferenz hängt jedoch von der Implementierung ab und ist nicht allgemein in jedem leichtgewichtigen Ablauf verfügbar. Eine Vorlage oder Architekturfunktion belegt für sich keinen Zugriff auf aktuelle Quellen, Dateien oder eine Codeumgebung. Behalten Sie das genaue Modell und Gesprächsformat der gewählten Schnittstelle bei.
Besonders lange Texte
Der Hersteller validiert mit YaRN einen Kontext von ungefähr einer Million Tokens und nennt eine Konfiguration mit Faktor vier auf Grundlage von 262.144 nativen Positionen. Für Aufgaben mit 524.288 Tokens empfiehlt er Faktor zwei. Statische Skalierung kann die Leistung bei kürzeren Texten mindern. Die Konfiguration sollte sich deshalb nach dem tatsächlichen Bedarf an längeren Eingaben richten.
Ordnen Sie lange Materialien nach Dokument, Codepfad oder Abschnitt und entfernen Sie nicht relevante Wiederholungen. Lassen Sie die Antwort ihre unterstützenden Passagen oder Bedingungen benennen. Reservieren Sie Platz für die Antwort, statt die größte Kontextzahl als vollständiges Erinnern an jedes gelieferte Detail zu verstehen. Der veröffentlichte Erweiterungswert von 1.010.000 und die Validierung um eine Million bleiben auf den Langkontextablauf des Herstellers bezogen.
Empfehlungen zur Generierung
Die Best Practices empfehlen temperature 0,7, top_p 0,8, top_k 20 und min_p 0. Soweit unterstützt, kann eine Präsenzstrafe zwischen null und zwei Wiederholungen reduzieren; höhere Werte können jedoch Sprachen vermischen oder die Qualität leicht mindern. Der Hersteller empfiehlt für die meisten Anfragen ein Ausgabebudget von 16.384 Tokens. Dies ist ein empfohlenes Generierungsbudget, kein unabhängiges hartes Maximum; es sollte nicht die längeren Budgets der Thinking-Ausführung übernehmen.
Geben Sie die Ergebnisform ausdrücklich an, beispielsweise einen mathematischen Trenner oder ein Antwortfeld. Gestalten Sie das endgültige Arbeitsergebnis leicht überprüfbar und kontrollieren Sie seine Berechnungen, Zitate oder seinen Code anhand der Quelle. Diese reine Textausführung akzeptiert Bilder, Audio oder Video nicht als eigene Eingabe. Solche Materialien benötigen daher eine geeignete separate Darstellung, bevor sie die Aufgabe unterstützen können.
Praktisches Ergebnis
Die nützliche Ausgabe ist ein konkretes Textartefakt auf Grundlage der bereitgestellten Bedingungen: eine Dokumenterklärung, ein Codevorschlag oder eine direkte Antwort mit den erforderlichen unterstützenden Details. Langer Kontext und Werkzeugaufrufe können helfen, mehr Belege durch einen Ablauf zu führen, während der Vertrag ohne separate Denkblöcke den Ausgabestil dieser konkreten Ausführung klar hält. Prüfen Sie das Ergebnis in der tatsächlichen Aufgabenumgebung, statt aus seiner Länge oder einer überzeugenden Formulierung auf Richtigkeit zu schließen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-next-80b-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 $0.000286 / 1K Token Ausgabe · Ausgabetoken $0.0022 / 1K Token Eingabe · Cache-Lesen $0.00014 / 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 $0.000286 / 1K Token Ausgabe · Ausgabetoken $0.0022 / 1K Token Eingabe · Cache-Lesen $0.00014 / 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-next-80b-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-next-80b-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-next-80b-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-next-80b-a3b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3-next-80b-a3b-instructQwen3-Next-80B-A3B-Instruct ist Qwens Textausführung ohne separate Denkblöcke mit insgesamt 80 Milliarden und 3 Milliarden aktivierten Parametern. Sie verbindet hybride Aufmerksamkeit, sparse Experten und Werkzeugaufrufe mit 262.144 Tokens nativem Kontext, per Konfiguration auf 1.010.000 erweiterbar.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3-Next-Schwerpunkte: direkte Textanweisungen
Qwen3-Next-80B-A3B-Instruct ist die anweisungsorientierte Textausführung von Qwen3-Next ohne separate Denkblöcke. Sie nimmt Text entgegen und liefert Text, darunter Erklärungen, Codevorschläge und angeforderte Dokumente. Sie erzeugt keine expliziten Denkblöcke. Halten Sie sie von der Thinking-Ausführung und dem auf Programmierung spezialisierten Qwen3-Coder-Next getrennt: Eine gemeinsame Familienarchitektur macht ihre Antwortverträge nicht austauschbar.
Die Familie führt hybride Aufmerksamkeit aus Gated DeltaNet und Gated Attention, Experten mit hoher Sparsität, Stabilitätsoptimierungen einschließlich nullzentrierter Schichtnormalisierung mit Gewichtsabklingung sowie die Vorhersage mehrerer Tokens ein. Diese Änderungen betreffen Darstellung und Training langer Sequenzen. Ihre Effizienz bei der Inferenz hängt von der Implementierung ab; Architekturwerte sollten daher nicht in eine feste Zusage zu Latenz oder Durchsatz umgedeutet werden.
Modellübersicht
Der Checkpoint hat insgesamt 80 Milliarden Parameter und aktiviert drei Milliarden. Seine 48 Schichten folgen einem wiederholten Expertenmuster aus drei DeltaNet-Schichten und einer Schicht mit Gated Attention. Der Hersteller nennt 512 Experten, zehn aktivierte Experten und einen gemeinsamen Experten sowie Vortraining auf 15 Billionen Tokens mit anschließendem Nachtraining. Aktivierte Parameter sind nicht die Größe des vollständigen Checkpoints.
Der native Kontext umfasst 262.144 Tokens, mit dokumentierter Erweiterung auf 1.010.000. Die Bereitstellungsbeispiele des Herstellers erlauben einen kleineren Kontext, etwa 32.768, wenn Ressourcenbeschränkungen die größere Einstellung verhindern. Text, Gesprächsverlauf, Werkzeugbeobachtungen und generierte Inhalte teilen sich das konfigurierte Sequenzbudget. Die Erweiterung ist ein zusätzlicher Konfigurationsweg, keine standardmäßig unbegrenzte Eingabe.
Die Instruct-Schnittstelle verwenden
Dieses Modell unterstützt ausschließlich den anweisungsorientierten Modus ohne separate Denkblöcke. Es kann einen Algorithmus erklären, Berechnungen zeigen oder eine Schlussfolgerung in gewöhnlichem Text begründen, ohne einen eigenen Denkblock zu erzeugen. Fordern Sie Format und Grenzen des Arbeitsergebnisses an: eine vollständige Funktion, einen knappen Bericht, eine Belegtabelle oder eine Antwort mit unterstützenden Schritten. Die Bitte um eine lange Erklärung verwandelt es nicht in den separat benannten Thinking-Checkpoint.
Behalten Sie bei einer Dokumentaufgabe Abschnittskennungen bei und definieren Sie die Fragen, die der Bericht beantworten muss. Stellen Sie für Code die relevante Funktion oder das Modul, Eingabebedingungen und die erwartete Ausgabe bereit. Geben Sie für Mathematik die vollständige Aufgabenstellung an und verlangen Sie ein klar abgegrenztes Endergebnis. Vergleichen Sie zurückgelieferte Berechnungen, Code oder Erklärungen mit den vorgegebenen Bedingungen und tatsächlichen Ergebnissen.
Implementierung und Werkzeuge
Der Hersteller dokumentiert Werkzeugaufrufe und empfiehlt Qwen-Agent für Vorlagen und Parsing, mit konfigurierten oder über MCP angeschlossenen Werkzeugen. Ein angeschlossener Ablauf kann Suche, Untersuchung oder zulässige Ausführung bereitstellen und tatsächliche Beobachtungen zurückgeben. Benennen Sie Werkzeuge, erlaubte Aktionen und sichtbare Abschlussbedingungen und verlangen Sie im Abschlussbericht die Unterscheidung zwischen Vorschlägen und tatsächlich zurückgelieferten Ergebnissen.
Die Vorhersage mehrerer Tokens ist Teil des Trainings, ihre Nutzung bei der Inferenz hängt jedoch von der Implementierung ab und ist nicht allgemein in jedem leichtgewichtigen Ablauf verfügbar. Eine Vorlage oder Architekturfunktion belegt für sich keinen Zugriff auf aktuelle Quellen, Dateien oder eine Codeumgebung. Behalten Sie das genaue Modell und Gesprächsformat der gewählten Schnittstelle bei.
Besonders lange Texte
Der Hersteller validiert mit YaRN einen Kontext von ungefähr einer Million Tokens und nennt eine Konfiguration mit Faktor vier auf Grundlage von 262.144 nativen Positionen. Für Aufgaben mit 524.288 Tokens empfiehlt er Faktor zwei. Statische Skalierung kann die Leistung bei kürzeren Texten mindern. Die Konfiguration sollte sich deshalb nach dem tatsächlichen Bedarf an längeren Eingaben richten.
Ordnen Sie lange Materialien nach Dokument, Codepfad oder Abschnitt und entfernen Sie nicht relevante Wiederholungen. Lassen Sie die Antwort ihre unterstützenden Passagen oder Bedingungen benennen. Reservieren Sie Platz für die Antwort, statt die größte Kontextzahl als vollständiges Erinnern an jedes gelieferte Detail zu verstehen. Der veröffentlichte Erweiterungswert von 1.010.000 und die Validierung um eine Million bleiben auf den Langkontextablauf des Herstellers bezogen.
Empfehlungen zur Generierung
Die Best Practices empfehlen temperature 0,7, top_p 0,8, top_k 20 und min_p 0. Soweit unterstützt, kann eine Präsenzstrafe zwischen null und zwei Wiederholungen reduzieren; höhere Werte können jedoch Sprachen vermischen oder die Qualität leicht mindern. Der Hersteller empfiehlt für die meisten Anfragen ein Ausgabebudget von 16.384 Tokens. Dies ist ein empfohlenes Generierungsbudget, kein unabhängiges hartes Maximum; es sollte nicht die längeren Budgets der Thinking-Ausführung übernehmen.
Geben Sie die Ergebnisform ausdrücklich an, beispielsweise einen mathematischen Trenner oder ein Antwortfeld. Gestalten Sie das endgültige Arbeitsergebnis leicht überprüfbar und kontrollieren Sie seine Berechnungen, Zitate oder seinen Code anhand der Quelle. Diese reine Textausführung akzeptiert Bilder, Audio oder Video nicht als eigene Eingabe. Solche Materialien benötigen daher eine geeignete separate Darstellung, bevor sie die Aufgabe unterstützen können.
Praktisches Ergebnis
Die nützliche Ausgabe ist ein konkretes Textartefakt auf Grundlage der bereitgestellten Bedingungen: eine Dokumenterklärung, ein Codevorschlag oder eine direkte Antwort mit den erforderlichen unterstützenden Details. Langer Kontext und Werkzeugaufrufe können helfen, mehr Belege durch einen Ablauf zu führen, während der Vertrag ohne separate Denkblöcke den Ausgabestil dieser konkreten Ausführung klar hält. Prüfen Sie das Ergebnis in der tatsächlichen Aufgabenumgebung, statt aus seiner Länge oder einer überzeugenden Formulierung auf Richtigkeit zu schließen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-next-80b-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 $0.000286 / 1K Token Ausgabe · Ausgabetoken $0.0022 / 1K Token Eingabe · Cache-Lesen $0.00014 / 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 $0.000286 / 1K Token Ausgabe · Ausgabetoken $0.0022 / 1K Token Eingabe · Cache-Lesen $0.00014 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3-next-80b-a3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-next-80b-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-next-80b-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-next-80b-a3b-instruct
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Explain a section-specific decision\n\nAnswer only from these procedure sections. Section 2: standard purchases need a manager's approval. Section 4: emergency safety purchases may proceed first, but must be reported to that manager within one day. Case: a broken emergency exit light needs replacement today. Give a concise recommendation with section references and identify the follow-up obligation. Do not invent an approval already granted.A direct recommendation with supporting sections and the one-day reporting obligation.The emergency exception retains its reporting condition and is not generalised to all purchases.