Qwen3-Next-Schwerpunkte: komplexes Schlussfolgern mit Text
Qwen3-Next-80B-A3B-Thinking ist die Textausführung von Qwen3-Next, die ausschließlich im Denkmodus arbeitet. Der Hersteller empfiehlt sie für hochkomplexe Schlussfolgerungsaufgaben und weist darauf hin, dass ihr Denken länger ausfallen kann als bei früheren Modellen. Sie nimmt Text entgegen und liefert Text, darunter eine erläuterte Antwort oder einen Codevorschlag. Halten Sie sie von Qwen3-Next-80B-A3B-Instruct und Qwen3-Coder-Next getrennt, deren Verträge ohne separate Denkblöcke anders sind.
Die Familie führt hybride Aufmerksamkeit aus Gated DeltaNet und Gated Attention, Experten mit hoher Sparsität, Stabilitätstechniken wie nullzentrierte Schichtnormalisierung mit Gewichtsabklingung sowie die Vorhersage mehrerer Tokens ein. Qwen beschreibt außerdem die Stabilisierung des bestärkenden Lernens mit GSPO. Dies sind Trainings- und Architekturmerkmale. Effizienzgewinne hängen von der Implementierung ab und sollten nicht in eine allgemeingültige Aussage zur Antwortzeit umgedeutet werden.
Modellübersicht
Das Modell hat insgesamt 80 Milliarden Parameter und aktiviert drei Milliarden. Seine 48 Schichten folgen einem 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. Quelltext, frühere Nachrichten, Werkzeugbeobachtungen, Denkprozess und endgültige Ausgabe teilen sich das konfigurierte Sequenzbudget. Für komplexes Denken empfiehlt der Hersteller nach Möglichkeit einen konfigurierten Kontext von mehr als 131.072, selbst wenn ein kleineres Fenster den Speicherdruck verringern würde.
Die Schnittstelle mit ausschließlichem Denkmodus verwenden
Die Standard-Chatvorlage enthält bereits die öffnende Denkmarkierung. Eine zurückgelieferte Sequenz kann deshalb die schließende Markierung enthalten, ohne die öffnende zu wiederholen. Dies ist eine normale Formatierung nach der Anleitung des Herstellers, kein Beleg dafür, dass die Überlegungen fehlen. Das Modell unterstützt nur den Denkmodus; eine Bitte um eine knappe Endantwort macht daraus keine Ausführung ohne separate Denkblöcke.
Geben Sie bei einem mathematischen oder logischen Problem die vollständige Aufgabenstellung, Definitionen, Einheiten und zulässigen Annahmen an. Fordern Sie eine klar abgegrenzte Endantwort mit den zur Prüfung nötigen unterstützenden Schritten. Stellen Sie für Überlegungen zu Code die relevante Funktion, Eingabe und das gewünschte Verhalten bereit und verlangen Sie dann einen erläuterten Vorschlag. Vergleichen Sie die unterstützenden Berechnungen oder den vorgeschlagenen Patch mit den bereitgestellten Bedingungen und tatsächlichen Ergebnissen.
Implementierung und Werkzeuge
Die Beispiele des Herstellers unterstützen Entwicklungs- und Werkzeugabläufe und empfehlen Qwen-Agent für Werkzeugvorlagen und Parsing, mit konfigurierten oder über MCP angeschlossenen Werkzeugen. Definieren Sie die zulässigen Werkzeuge, das Aufgabenziel und eine beobachtbare Abschlussbedingung. Die Anwendung führt externe Aktionen aus und gibt tatsächliche Beobachtungen zurück; das Modell kann diese Rückmeldung anschließend in seiner nächsten Antwort verwenden.
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. Bewahren Sie diese Unterscheidung bei der Bewertung einer Bereitstellung. Werkzeug- oder Architekturfähigkeiten allein belegen keinen Zugriff auf Dateien, aktuelle Quellen oder eine Ausführungsumgebung über eine andere Anwendung.
Besonders lange Texte
Die dokumentierte Erweiterung verwendet YaRN. Der Hersteller validiert einen Kontext von ungefähr einer Million Tokens und nennt eine Konfiguration mit Faktor vier auf Grundlage der nativen 262.144 Positionen; für Aufgaben mit 524.288 Tokens schlägt er Faktor zwei vor. Statische Skalierung kann die Leistung bei kürzeren Texten beeinflussen. Sie sollte deshalb dem tatsächlichen Bedarf an längeren Eingaben folgen.
Ordnen Sie eine große Eingabe mit Dokumentgrenzen sowie Code- oder Abschnittskennungen. Formulieren Sie die Frage und das erwartete Arbeitsergebnis, damit das Modell relevante Belege verbinden kann, statt das gesamte Fenster als Ersatz für eine klare Aufgabe zu behandeln. Reservieren Sie Platz für den möglicherweise langen Denkprozess und das Endergebnis.
Empfehlungen zur Generierung
Die Best Practices empfehlen temperature 0,6, top_p 0,95, 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. Qwen empfiehlt ein Generierungsbudget von 32.768 Tokens für die meisten Fragen und 81.920 für ungewöhnlich komplexe Mathematik- oder Programmieraufgaben. Dies sind Empfehlungen, keine unabhängigen harten Ausgabegrenzen.
Geben Sie das Format der Endantwort ausdrücklich an, etwa ein abgegrenztes mathematisches Ergebnis oder ein Antwortfeld. Der Hersteller empfiehlt nach der Vorlage dieses Checkpoints, in früheren Assistentennachrichten die endgültigen Ausgaben ohne Denkinhalte beizubehalten. Optionen späterer Modelle zum Erhalten historischer Überlegungen sollten nicht automatisch übernommen werden.
Wesentliche Grenzen
Dies ist ein reines Textmodell. Bilder, Audio oder Video benötigen eine geeignete separate Darstellung, bevor sie in diesem Ablauf als Belege dienen können. Langer Denkprozess und Kontext sind endliche Ressourcen, und detaillierte Überlegungen beweisen nicht unabhängig die Richtigkeit eines Ergebnisses. Prüfen Sie Annahmen, Berechnungen und generierten Code anhand der bereitgestellten Quelle. Das nützliche Ergebnis ist eine überprüfbare Antwort oder ein Arbeitsergebnis mit weiterhin sichtbaren Belegen und gewahrter Identität als Ausführung mit ausschließlichem Denkmodus.
", "aboutText": "Qwen3-Next-Schwerpunkte: komplexes Schlussfolgern mit Text\n\nQwen3-Next-80B-A3B-Thinking ist die Textausführung von Qwen3-Next, die ausschließlich im Denkmodus arbeitet. Der Hersteller empfiehlt sie für hochkomplexe Schlussfolgerungsaufgaben und weist darauf hin, dass ihr Denken länger ausfallen kann als bei früheren Modellen. Sie nimmt Text entgegen und liefert Text, darunter eine erläuterte Antwort oder einen Codevorschlag. Halten Sie sie von Qwen3-Next-80B-A3B-Instruct und Qwen3-Coder-Next getrennt, deren Verträge ohne separate Denkblöcke anders sind.\n\nDie Familie führt hybride Aufmerksamkeit aus Gated DeltaNet und Gated Attention, Experten mit hoher Sparsität, Stabilitätstechniken wie nullzentrierte Schichtnormalisierung mit Gewichtsabklingung sowie die Vorhersage mehrerer Tokens ein. Qwen beschreibt außerdem die Stabilisierung des bestärkenden Lernens mit GSPO. Dies sind Trainings- und Architekturmerkmale. Effizienzgewinne hängen von der Implementierung ab und sollten nicht in eine allgemeingültige Aussage zur Antwortzeit umgedeutet werden.\n\nModellübersicht\n\nDas Modell hat insgesamt 80 Milliarden Parameter und aktiviert drei Milliarden. Seine 48 Schichten folgen einem 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. Quelltext, frühere Nachrichten, Werkzeugbeobachtungen, Denkprozess und endgültige Ausgabe teilen sich das konfigurierte Sequenzbudget. Für komplexes Denken empfiehlt der Hersteller nach Möglichkeit einen konfigurierten Kontext von mehr als 131.072, selbst wenn ein kleineres Fenster den Speicherdruck verringern würde.\n\nDie Schnittstelle mit ausschließlichem Denkmodus verwenden\n\nDie Standard-Chatvorlage enthält bereits die öffnende Denkmarkierung. Eine zurückgelieferte Sequenz kann deshalb die schließende Markierung enthalten, ohne die öffnende zu wiederholen. Dies ist eine normale Formatierung nach der Anleitung des Herstellers, kein Beleg dafür, dass die Überlegungen fehlen. Das Modell unterstützt nur den Denkmodus; eine Bitte um eine knappe Endantwort macht daraus keine Ausführung ohne separate Denkblöcke.\n\nGeben Sie bei einem mathematischen oder logischen Problem die vollständige Aufgabenstellung, Definitionen, Einheiten und zulässigen Annahmen an. Fordern Sie eine klar abgegrenzte Endantwort mit den zur Prüfung nötigen unterstützenden Schritten. Stellen Sie für Überlegungen zu Code die relevante Funktion, Eingabe und das gewünschte Verhalten bereit und verlangen Sie dann einen erläuterten Vorschlag. Vergleichen Sie die unterstützenden Berechnungen oder den vorgeschlagenen Patch mit den bereitgestellten Bedingungen und tatsächlichen Ergebnissen.\n\nImplementierung und Werkzeuge\n\nDie Beispiele des Herstellers unterstützen Entwicklungs- und Werkzeugabläufe und empfehlen Qwen-Agent für Werkzeugvorlagen und Parsing, mit konfigurierten oder über MCP angeschlossenen Werkzeugen. Definieren Sie die zulässigen Werkzeuge, das Aufgabenziel und eine beobachtbare Abschlussbedingung. Die Anwendung führt externe Aktionen aus und gibt tatsächliche Beobachtungen zurück; das Modell kann diese Rückmeldung anschließend in seiner nächsten Antwort verwenden.\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. Bewahren Sie diese Unterscheidung bei der Bewertung einer Bereitstellung. Werkzeug- oder Architekturfähigkeiten allein belegen keinen Zugriff auf Dateien, aktuelle Quellen oder eine Ausführungsumgebung über eine andere Anwendung.\n\nBesonders lange Texte\n\nDie dokumentierte Erweiterung verwendet YaRN. Der Hersteller validiert einen Kontext von ungefähr einer Million Tokens und nennt eine Konfiguration mit Faktor vier auf Grundlage der nativen 262.144 Positionen; für Aufgaben mit 524.288 Tokens schlägt er Faktor zwei vor. Statische Skalierung kann die Leistung bei kürzeren Texten beeinflussen. Sie sollte deshalb dem tatsächlichen Bedarf an längeren Eingaben folgen.\n\nOrdnen Sie eine große Eingabe mit Dokumentgrenzen sowie Code- oder Abschnittskennungen. Formulieren Sie die Frage und das erwartete Arbeitsergebnis, damit das Modell relevante Belege verbinden kann, statt das gesamte Fenster als Ersatz für eine klare Aufgabe zu behandeln. Reservieren Sie Platz für den möglicherweise langen Denkprozess und das Endergebnis.\n\nEmpfehlungen zur Generierung\n\nDie Best Practices empfehlen temperature 0,6, top_p 0,95, 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. Qwen empfiehlt ein Generierungsbudget von 32.768 Tokens für die meisten Fragen und 81.920 für ungewöhnlich komplexe Mathematik- oder Programmieraufgaben. Dies sind Empfehlungen, keine unabhängigen harten Ausgabegrenzen.\n\nGeben Sie das Format der Endantwort ausdrücklich an, etwa ein abgegrenztes mathematisches Ergebnis oder ein Antwortfeld. Der Hersteller empfiehlt nach der Vorlage dieses Checkpoints, in früheren Assistentennachrichten die endgültigen Ausgaben ohne Denkinhalte beizubehalten. Optionen späterer Modelle zum Erhalten historischer Überlegungen sollten nicht automatisch übernommen werden.\n\nWesentliche Grenzen\n\nDies ist ein reines Textmodell. Bilder, Audio oder Video benötigen eine geeignete separate Darstellung, bevor sie in diesem Ablauf als Belege dienen können. Langer Denkprozess und Kontext sind endliche Ressourcen, und detaillierte Überlegungen beweisen nicht unabhängig die Richtigkeit eines Ergebnisses. Prüfen Sie Annahmen, Berechnungen und generierten Code anhand der bereitgestellten Quelle. Das nützliche Ergebnis ist eine überprüfbare Antwort oder ein Arbeitsergebnis mit weiterhin sichtbaren Belegen und gewahrter Identität als Ausführung mit ausschließlichem Denkmodus.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Identify what a logic puzzle actually determines\n\nExactly one of A, B and C took a key, and exactly one statement is true. A says, 'B took it.' B says, 'C took it.' C says, 'I did not take it.' Determine every possible culprit consistent with these premises. Show a truth table and state whether the culprit is uniquely determined.A three-case truth table and the complete set of consistent culprits with a uniqueness conclusion.The table checks exactly one true statement in each candidate case and preserves multiple solutions if the premises allow them.qwen/qwen3-next-80b-a3b-thinkingQwen3-Next-80B-A3B-Thinking ist Qwens Textmodell für Schlussfolgerungen mit insgesamt 80 Milliarden und 3 Milliarden aktivierten Parametern. Es nutzt nur den Denkmodus, hybride Aufmerksamkeit und sparse Experten für komplexe Aufgaben, mit 262.144 Tokens nativem Kontext und bedingter Erweiterung auf 1.010.000.
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: komplexes Schlussfolgern mit Text
Qwen3-Next-80B-A3B-Thinking ist die Textausführung von Qwen3-Next, die ausschließlich im Denkmodus arbeitet. Der Hersteller empfiehlt sie für hochkomplexe Schlussfolgerungsaufgaben und weist darauf hin, dass ihr Denken länger ausfallen kann als bei früheren Modellen. Sie nimmt Text entgegen und liefert Text, darunter eine erläuterte Antwort oder einen Codevorschlag. Halten Sie sie von Qwen3-Next-80B-A3B-Instruct und Qwen3-Coder-Next getrennt, deren Verträge ohne separate Denkblöcke anders sind.
Die Familie führt hybride Aufmerksamkeit aus Gated DeltaNet und Gated Attention, Experten mit hoher Sparsität, Stabilitätstechniken wie nullzentrierte Schichtnormalisierung mit Gewichtsabklingung sowie die Vorhersage mehrerer Tokens ein. Qwen beschreibt außerdem die Stabilisierung des bestärkenden Lernens mit GSPO. Dies sind Trainings- und Architekturmerkmale. Effizienzgewinne hängen von der Implementierung ab und sollten nicht in eine allgemeingültige Aussage zur Antwortzeit umgedeutet werden.
Modellübersicht
Das Modell hat insgesamt 80 Milliarden Parameter und aktiviert drei Milliarden. Seine 48 Schichten folgen einem 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. Quelltext, frühere Nachrichten, Werkzeugbeobachtungen, Denkprozess und endgültige Ausgabe teilen sich das konfigurierte Sequenzbudget. Für komplexes Denken empfiehlt der Hersteller nach Möglichkeit einen konfigurierten Kontext von mehr als 131.072, selbst wenn ein kleineres Fenster den Speicherdruck verringern würde.
Die Schnittstelle mit ausschließlichem Denkmodus verwenden
Die Standard-Chatvorlage enthält bereits die öffnende Denkmarkierung. Eine zurückgelieferte Sequenz kann deshalb die schließende Markierung enthalten, ohne die öffnende zu wiederholen. Dies ist eine normale Formatierung nach der Anleitung des Herstellers, kein Beleg dafür, dass die Überlegungen fehlen. Das Modell unterstützt nur den Denkmodus; eine Bitte um eine knappe Endantwort macht daraus keine Ausführung ohne separate Denkblöcke.
Geben Sie bei einem mathematischen oder logischen Problem die vollständige Aufgabenstellung, Definitionen, Einheiten und zulässigen Annahmen an. Fordern Sie eine klar abgegrenzte Endantwort mit den zur Prüfung nötigen unterstützenden Schritten. Stellen Sie für Überlegungen zu Code die relevante Funktion, Eingabe und das gewünschte Verhalten bereit und verlangen Sie dann einen erläuterten Vorschlag. Vergleichen Sie die unterstützenden Berechnungen oder den vorgeschlagenen Patch mit den bereitgestellten Bedingungen und tatsächlichen Ergebnissen.
Implementierung und Werkzeuge
Die Beispiele des Herstellers unterstützen Entwicklungs- und Werkzeugabläufe und empfehlen Qwen-Agent für Werkzeugvorlagen und Parsing, mit konfigurierten oder über MCP angeschlossenen Werkzeugen. Definieren Sie die zulässigen Werkzeuge, das Aufgabenziel und eine beobachtbare Abschlussbedingung. Die Anwendung führt externe Aktionen aus und gibt tatsächliche Beobachtungen zurück; das Modell kann diese Rückmeldung anschließend in seiner nächsten Antwort verwenden.
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. Bewahren Sie diese Unterscheidung bei der Bewertung einer Bereitstellung. Werkzeug- oder Architekturfähigkeiten allein belegen keinen Zugriff auf Dateien, aktuelle Quellen oder eine Ausführungsumgebung über eine andere Anwendung.
Besonders lange Texte
Die dokumentierte Erweiterung verwendet YaRN. Der Hersteller validiert einen Kontext von ungefähr einer Million Tokens und nennt eine Konfiguration mit Faktor vier auf Grundlage der nativen 262.144 Positionen; für Aufgaben mit 524.288 Tokens schlägt er Faktor zwei vor. Statische Skalierung kann die Leistung bei kürzeren Texten beeinflussen. Sie sollte deshalb dem tatsächlichen Bedarf an längeren Eingaben folgen.
Ordnen Sie eine große Eingabe mit Dokumentgrenzen sowie Code- oder Abschnittskennungen. Formulieren Sie die Frage und das erwartete Arbeitsergebnis, damit das Modell relevante Belege verbinden kann, statt das gesamte Fenster als Ersatz für eine klare Aufgabe zu behandeln. Reservieren Sie Platz für den möglicherweise langen Denkprozess und das Endergebnis.
Empfehlungen zur Generierung
Die Best Practices empfehlen temperature 0,6, top_p 0,95, 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. Qwen empfiehlt ein Generierungsbudget von 32.768 Tokens für die meisten Fragen und 81.920 für ungewöhnlich komplexe Mathematik- oder Programmieraufgaben. Dies sind Empfehlungen, keine unabhängigen harten Ausgabegrenzen.
Geben Sie das Format der Endantwort ausdrücklich an, etwa ein abgegrenztes mathematisches Ergebnis oder ein Antwortfeld. Der Hersteller empfiehlt nach der Vorlage dieses Checkpoints, in früheren Assistentennachrichten die endgültigen Ausgaben ohne Denkinhalte beizubehalten. Optionen späterer Modelle zum Erhalten historischer Überlegungen sollten nicht automatisch übernommen werden.
Wesentliche Grenzen
Dies ist ein reines Textmodell. Bilder, Audio oder Video benötigen eine geeignete separate Darstellung, bevor sie in diesem Ablauf als Belege dienen können. Langer Denkprozess und Kontext sind endliche Ressourcen, und detaillierte Überlegungen beweisen nicht unabhängig die Richtigkeit eines Ergebnisses. Prüfen Sie Annahmen, Berechnungen und generierten Code anhand der bereitgestellten Quelle. Das nützliche Ergebnis ist eine überprüfbare Antwort oder ein Arbeitsergebnis mit weiterhin sichtbaren Belegen und gewahrter Identität als Ausführung mit ausschließlichem Denkmodus.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-next-80b-a3b-thinking | 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 $0.0003 / 1K Token Ausgabe · Ausgabetoken $0.0024 / 1K Token Eingabe · Cache-Lesen — / 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 $0.0003 / 1K Token Ausgabe · Ausgabetoken $0.0024 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-next-80b-a3b-thinking", "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-thinking',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-thinking',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-thinking
Verwenden Sie die oben angezeigten Methodenpfade.
qwen/qwen3-next-80b-a3b-thinkingQwen3-Next-80B-A3B-Thinking ist Qwens Textmodell für Schlussfolgerungen mit insgesamt 80 Milliarden und 3 Milliarden aktivierten Parametern. Es nutzt nur den Denkmodus, hybride Aufmerksamkeit und sparse Experten für komplexe Aufgaben, mit 262.144 Tokens nativem Kontext und bedingter Erweiterung auf 1.010.000.
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: komplexes Schlussfolgern mit Text
Qwen3-Next-80B-A3B-Thinking ist die Textausführung von Qwen3-Next, die ausschließlich im Denkmodus arbeitet. Der Hersteller empfiehlt sie für hochkomplexe Schlussfolgerungsaufgaben und weist darauf hin, dass ihr Denken länger ausfallen kann als bei früheren Modellen. Sie nimmt Text entgegen und liefert Text, darunter eine erläuterte Antwort oder einen Codevorschlag. Halten Sie sie von Qwen3-Next-80B-A3B-Instruct und Qwen3-Coder-Next getrennt, deren Verträge ohne separate Denkblöcke anders sind.
Die Familie führt hybride Aufmerksamkeit aus Gated DeltaNet und Gated Attention, Experten mit hoher Sparsität, Stabilitätstechniken wie nullzentrierte Schichtnormalisierung mit Gewichtsabklingung sowie die Vorhersage mehrerer Tokens ein. Qwen beschreibt außerdem die Stabilisierung des bestärkenden Lernens mit GSPO. Dies sind Trainings- und Architekturmerkmale. Effizienzgewinne hängen von der Implementierung ab und sollten nicht in eine allgemeingültige Aussage zur Antwortzeit umgedeutet werden.
Modellübersicht
Das Modell hat insgesamt 80 Milliarden Parameter und aktiviert drei Milliarden. Seine 48 Schichten folgen einem 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. Quelltext, frühere Nachrichten, Werkzeugbeobachtungen, Denkprozess und endgültige Ausgabe teilen sich das konfigurierte Sequenzbudget. Für komplexes Denken empfiehlt der Hersteller nach Möglichkeit einen konfigurierten Kontext von mehr als 131.072, selbst wenn ein kleineres Fenster den Speicherdruck verringern würde.
Die Schnittstelle mit ausschließlichem Denkmodus verwenden
Die Standard-Chatvorlage enthält bereits die öffnende Denkmarkierung. Eine zurückgelieferte Sequenz kann deshalb die schließende Markierung enthalten, ohne die öffnende zu wiederholen. Dies ist eine normale Formatierung nach der Anleitung des Herstellers, kein Beleg dafür, dass die Überlegungen fehlen. Das Modell unterstützt nur den Denkmodus; eine Bitte um eine knappe Endantwort macht daraus keine Ausführung ohne separate Denkblöcke.
Geben Sie bei einem mathematischen oder logischen Problem die vollständige Aufgabenstellung, Definitionen, Einheiten und zulässigen Annahmen an. Fordern Sie eine klar abgegrenzte Endantwort mit den zur Prüfung nötigen unterstützenden Schritten. Stellen Sie für Überlegungen zu Code die relevante Funktion, Eingabe und das gewünschte Verhalten bereit und verlangen Sie dann einen erläuterten Vorschlag. Vergleichen Sie die unterstützenden Berechnungen oder den vorgeschlagenen Patch mit den bereitgestellten Bedingungen und tatsächlichen Ergebnissen.
Implementierung und Werkzeuge
Die Beispiele des Herstellers unterstützen Entwicklungs- und Werkzeugabläufe und empfehlen Qwen-Agent für Werkzeugvorlagen und Parsing, mit konfigurierten oder über MCP angeschlossenen Werkzeugen. Definieren Sie die zulässigen Werkzeuge, das Aufgabenziel und eine beobachtbare Abschlussbedingung. Die Anwendung führt externe Aktionen aus und gibt tatsächliche Beobachtungen zurück; das Modell kann diese Rückmeldung anschließend in seiner nächsten Antwort verwenden.
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. Bewahren Sie diese Unterscheidung bei der Bewertung einer Bereitstellung. Werkzeug- oder Architekturfähigkeiten allein belegen keinen Zugriff auf Dateien, aktuelle Quellen oder eine Ausführungsumgebung über eine andere Anwendung.
Besonders lange Texte
Die dokumentierte Erweiterung verwendet YaRN. Der Hersteller validiert einen Kontext von ungefähr einer Million Tokens und nennt eine Konfiguration mit Faktor vier auf Grundlage der nativen 262.144 Positionen; für Aufgaben mit 524.288 Tokens schlägt er Faktor zwei vor. Statische Skalierung kann die Leistung bei kürzeren Texten beeinflussen. Sie sollte deshalb dem tatsächlichen Bedarf an längeren Eingaben folgen.
Ordnen Sie eine große Eingabe mit Dokumentgrenzen sowie Code- oder Abschnittskennungen. Formulieren Sie die Frage und das erwartete Arbeitsergebnis, damit das Modell relevante Belege verbinden kann, statt das gesamte Fenster als Ersatz für eine klare Aufgabe zu behandeln. Reservieren Sie Platz für den möglicherweise langen Denkprozess und das Endergebnis.
Empfehlungen zur Generierung
Die Best Practices empfehlen temperature 0,6, top_p 0,95, 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. Qwen empfiehlt ein Generierungsbudget von 32.768 Tokens für die meisten Fragen und 81.920 für ungewöhnlich komplexe Mathematik- oder Programmieraufgaben. Dies sind Empfehlungen, keine unabhängigen harten Ausgabegrenzen.
Geben Sie das Format der Endantwort ausdrücklich an, etwa ein abgegrenztes mathematisches Ergebnis oder ein Antwortfeld. Der Hersteller empfiehlt nach der Vorlage dieses Checkpoints, in früheren Assistentennachrichten die endgültigen Ausgaben ohne Denkinhalte beizubehalten. Optionen späterer Modelle zum Erhalten historischer Überlegungen sollten nicht automatisch übernommen werden.
Wesentliche Grenzen
Dies ist ein reines Textmodell. Bilder, Audio oder Video benötigen eine geeignete separate Darstellung, bevor sie in diesem Ablauf als Belege dienen können. Langer Denkprozess und Kontext sind endliche Ressourcen, und detaillierte Überlegungen beweisen nicht unabhängig die Richtigkeit eines Ergebnisses. Prüfen Sie Annahmen, Berechnungen und generierten Code anhand der bereitgestellten Quelle. Das nützliche Ergebnis ist eine überprüfbare Antwort oder ein Arbeitsergebnis mit weiterhin sichtbaren Belegen und gewahrter Identität als Ausführung mit ausschließlichem Denkmodus.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-next-80b-a3b-thinking | 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 $0.0003 / 1K Token Ausgabe · Ausgabetoken $0.0024 / 1K Token Eingabe · Cache-Lesen — / 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 $0.0003 / 1K Token Ausgabe · Ausgabetoken $0.0024 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "qwen/qwen3-next-80b-a3b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-thinking', '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-thinking', '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-thinking
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Identify what a logic puzzle actually determines\n\nExactly one of A, B and C took a key, and exactly one statement is true. A says, 'B took it.' B says, 'C took it.' C says, 'I did not take it.' Determine every possible culprit consistent with these premises. Show a truth table and state whether the culprit is uniquely determined.A three-case truth table and the complete set of consistent culprits with a uniqueness conclusion.The table checks exactly one true statement in each candidate case and preserves multiple solutions if the premises allow them.