Qwen3-32B es el mayor modelo denso de la versión original Qwen3. Combina el modo Thinking de la familia para lógica compleja, matemáticas y programación con respuestas Non-Thinking para conversación general. Qwen también destaca escritura creativa, diálogo basado en papeles, seguimiento de instrucciones de varios turnos y uso de herramientas con agentes. El modelo procesa texto y genera texto; las instrucciones y traducciones multilingües forman parte de la compatibilidad de la familia original con 119 idiomas y dialectos. Puede recibir encargos de explicación analítica, propuesta de código o texto cuidadosamente especificado.
La edición exacta tiene 32,800 millones de parámetros totales en 64 capas. Es un modelo denso, distinto de la arquitectura de enrutamiento de expertos de Qwen3-30B-A3B y de ediciones posteriores de Qwen3 identificadas por separado. Su contexto nativo es de 32,768 tokens. Prepara una tarea exigente con la evidencia pertinente, los requisitos y el resultado esperado juntos. Para una revisión de ingeniería, aporta la descripción del componente, las restricciones de interfaz y el problema que se debe resolver y solicita después una propuesta que identifique suposiciones, dependencias y alternativas utilizando solo el material proporcionado cuando corresponda.
La plantilla de chat del productor activa el modo Thinking de forma predeterminada y expone un interruptor explícito enable_thinking. La desactivación de configuración impide por completo el contenido de pensamiento. Con pensamiento activado, /think y /no_think en instrucciones de usuario o sistema proporcionan control textual turno a turno, y la instrucción más reciente determina el comportamiento solicitado. Una petición textual sin pensamiento puede dejar un bloque vacío; un marcador /think no puede anular una plantilla desactivada explícitamente. Esto permite al modelo original alternar entre una petición directa de redacción y una pregunta que se beneficia de una cadena extensa de razonamiento cuando se aplican los controles prescritos.
El ejemplo de generación analiza una sección <think> por separado de la respuesta final. Qwen recomienda explicitar el formato final, como una respuesta matemática enmarcada o un único campo de respuesta para una tarea de opción múltiple. En análisis práctico, especifica la conclusión solicitada y el material de apoyo: por ejemplo, una elección final de diseño seguida de las restricciones que satisface y los asuntos pendientes. Conforme a las orientaciones del productor, conserva la respuesta final, no el contenido de pensamiento anterior, en el historial posterior. Así se preserva el resultado necesario para las siguientes preguntas sin arrastrar todos los pasos de razonamiento.
Las llamadas a herramientas forman parte del perfil documentado en ambos modos. Qwen recomienda Qwen-Agent para plantillas y analizadores de llamadas y demuestra recuperación de información, información horaria e intérprete de código. Define las herramientas con claridad, explica el significado de sus argumentos e indica al modelo qué constituye una tarea terminada. Un flujo útil puede solicitar información seleccionada, aportar el contenido realmente devuelto y pedir después una síntesis o una propuesta de implementación. La llamada solicitada por el modelo y la ejecución de la herramienta por la aplicación son etapas independientes; la respuesta final debería basarse en la evidencia devuelta.
Para entradas más largas, la ficha documenta una extensión YaRN a 131,072 tokens. La ventana nativa es menor y el escalado estático puede afectar al rendimiento con entradas cortas. Qwen recomienda activar la extensión cuando realmente se necesita un contexto mayor; la ficha también explica una asignación predeterminada de 40,960 posiciones para prompt y salida. Selecciona los documentos pertinentes y conserva encabezados, separaciones de fuentes y terminología. Deja espacio para el razonamiento y la respuesta final, especialmente cuando la tarea requiere conciliar varias especificaciones en lugar de resumir un pasaje.
Las recomendaciones oficiales son temperature 0.6, top-p 0.95, top-k 20 y min-p 0 para pensamiento; para el modo sin pensamiento, temperature 0.7 y top-p 0.8 sustituyen los dos primeros ajustes. Qwen desaconseja la decodificación voraz en modo de pensamiento y señala que una penalización de presencia alta puede provocar mezcla de idiomas o menor calidad. Recomienda un espacio de salida de 32,768 tokens para la mayoría de consultas y describe 38,912 para problemas especialmente exigentes de matemáticas y programación. Son orientaciones de generación, no un límite universal estricto de respuesta. Un encargo preciso y un formato final definido ayudan a centrar el razonamiento disponible del modelo en el trabajo que necesita el lector.
", "aboutText": "Qwen3-32B es el mayor modelo denso de la versión original Qwen3. Combina el modo Thinking de la familia para lógica compleja, matemáticas y programación con respuestas Non-Thinking para conversación general. Qwen también destaca escritura creativa, diálogo basado en papeles, seguimiento de instrucciones de varios turnos y uso de herramientas con agentes. El modelo procesa texto y genera texto; las instrucciones y traducciones multilingües forman parte de la compatibilidad de la familia original con 119 idiomas y dialectos. Puede recibir encargos de explicación analítica, propuesta de código o texto cuidadosamente especificado.\n\nLa edición exacta tiene 32,800 millones de parámetros totales en 64 capas. Es un modelo denso, distinto de la arquitectura de enrutamiento de expertos de Qwen3-30B-A3B y de ediciones posteriores de Qwen3 identificadas por separado. Su contexto nativo es de 32,768 tokens. Prepara una tarea exigente con la evidencia pertinente, los requisitos y el resultado esperado juntos. Para una revisión de ingeniería, aporta la descripción del componente, las restricciones de interfaz y el problema que se debe resolver y solicita después una propuesta que identifique suposiciones, dependencias y alternativas utilizando solo el material proporcionado cuando corresponda.\n\nLa plantilla de chat del productor activa el modo Thinking de forma predeterminada y expone un interruptor explícito enable_thinking. La desactivación de configuración impide por completo el contenido de pensamiento. Con pensamiento activado, /think y /no_think en instrucciones de usuario o sistema proporcionan control textual turno a turno, y la instrucción más reciente determina el comportamiento solicitado. Una petición textual sin pensamiento puede dejar un bloque vacío; un marcador /think no puede anular una plantilla desactivada explícitamente. Esto permite al modelo original alternar entre una petición directa de redacción y una pregunta que se beneficia de una cadena extensa de razonamiento cuando se aplican los controles prescritos.\n\nEl ejemplo de generación analiza una secciónEjemplo técnico en inglés
Review a cache invalidation design\n\nA report cache is keyed only by report name. Reports also depend on account ID and selected month. Two users requesting the same name can receive the wrong account or month. Propose a revised key contract, explain the dependencies it captures and give three text test cases. Use only the described inputs; propose no repository edits.A key contract, dependency explanation and cases distinguishing account and month.Different accounts or months must not share a cache entry solely because the report name matches.qwen/qwen3-32bQwen3-32B es el modelo de texto híbrido denso de Qwen para razonamiento complejo, programación, escritura multilingüe y tareas dirigidas por herramientas. Combina modos Thinking y Non-Thinking en un solo modelo y tiene un contexto nativo de 32,768 tokens.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen3-32B es el mayor modelo denso de la versión original Qwen3. Combina el modo Thinking de la familia para lógica compleja, matemáticas y programación con respuestas Non-Thinking para conversación general. Qwen también destaca escritura creativa, diálogo basado en papeles, seguimiento de instrucciones de varios turnos y uso de herramientas con agentes. El modelo procesa texto y genera texto; las instrucciones y traducciones multilingües forman parte de la compatibilidad de la familia original con 119 idiomas y dialectos. Puede recibir encargos de explicación analítica, propuesta de código o texto cuidadosamente especificado.
La edición exacta tiene 32,800 millones de parámetros totales en 64 capas. Es un modelo denso, distinto de la arquitectura de enrutamiento de expertos de Qwen3-30B-A3B y de ediciones posteriores de Qwen3 identificadas por separado. Su contexto nativo es de 32,768 tokens. Prepara una tarea exigente con la evidencia pertinente, los requisitos y el resultado esperado juntos. Para una revisión de ingeniería, aporta la descripción del componente, las restricciones de interfaz y el problema que se debe resolver y solicita después una propuesta que identifique suposiciones, dependencias y alternativas utilizando solo el material proporcionado cuando corresponda.
La plantilla de chat del productor activa el modo Thinking de forma predeterminada y expone un interruptor explícito enable_thinking. La desactivación de configuración impide por completo el contenido de pensamiento. Con pensamiento activado, /think y /no_think en instrucciones de usuario o sistema proporcionan control textual turno a turno, y la instrucción más reciente determina el comportamiento solicitado. Una petición textual sin pensamiento puede dejar un bloque vacío; un marcador /think no puede anular una plantilla desactivada explícitamente. Esto permite al modelo original alternar entre una petición directa de redacción y una pregunta que se beneficia de una cadena extensa de razonamiento cuando se aplican los controles prescritos.
El ejemplo de generación analiza una sección <think> por separado de la respuesta final. Qwen recomienda explicitar el formato final, como una respuesta matemática enmarcada o un único campo de respuesta para una tarea de opción múltiple. En análisis práctico, especifica la conclusión solicitada y el material de apoyo: por ejemplo, una elección final de diseño seguida de las restricciones que satisface y los asuntos pendientes. Conforme a las orientaciones del productor, conserva la respuesta final, no el contenido de pensamiento anterior, en el historial posterior. Así se preserva el resultado necesario para las siguientes preguntas sin arrastrar todos los pasos de razonamiento.
Las llamadas a herramientas forman parte del perfil documentado en ambos modos. Qwen recomienda Qwen-Agent para plantillas y analizadores de llamadas y demuestra recuperación de información, información horaria e intérprete de código. Define las herramientas con claridad, explica el significado de sus argumentos e indica al modelo qué constituye una tarea terminada. Un flujo útil puede solicitar información seleccionada, aportar el contenido realmente devuelto y pedir después una síntesis o una propuesta de implementación. La llamada solicitada por el modelo y la ejecución de la herramienta por la aplicación son etapas independientes; la respuesta final debería basarse en la evidencia devuelta.
Para entradas más largas, la ficha documenta una extensión YaRN a 131,072 tokens. La ventana nativa es menor y el escalado estático puede afectar al rendimiento con entradas cortas. Qwen recomienda activar la extensión cuando realmente se necesita un contexto mayor; la ficha también explica una asignación predeterminada de 40,960 posiciones para prompt y salida. Selecciona los documentos pertinentes y conserva encabezados, separaciones de fuentes y terminología. Deja espacio para el razonamiento y la respuesta final, especialmente cuando la tarea requiere conciliar varias especificaciones en lugar de resumir un pasaje.
Las recomendaciones oficiales son temperature 0.6, top-p 0.95, top-k 20 y min-p 0 para pensamiento; para el modo sin pensamiento, temperature 0.7 y top-p 0.8 sustituyen los dos primeros ajustes. Qwen desaconseja la decodificación voraz en modo de pensamiento y señala que una penalización de presencia alta puede provocar mezcla de idiomas o menor calidad. Recomienda un espacio de salida de 32,768 tokens para la mayoría de consultas y describe 38,912 para problemas especialmente exigentes de matemáticas y programación. Son orientaciones de generación, no un límite universal estricto de respuesta. Un encargo preciso y un formato final definido ayudan a centrar el razonamiento disponible del modelo en el trabajo que necesita el lector.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3-32b | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.000286 / 1K tokens Salida · Tokens de salida $0.001144 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.000286 / 1K tokens Salida · Tokens de salida $0.001144 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-32b", "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/qwen3-32b',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/qwen3-32b',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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra qwen/qwen3-32b
Usa las rutas de método indicadas arriba.
qwen/qwen3-32bQwen3-32B es el modelo de texto híbrido denso de Qwen para razonamiento complejo, programación, escritura multilingüe y tareas dirigidas por herramientas. Combina modos Thinking y Non-Thinking en un solo modelo y tiene un contexto nativo de 32,768 tokens.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen3-32B es el mayor modelo denso de la versión original Qwen3. Combina el modo Thinking de la familia para lógica compleja, matemáticas y programación con respuestas Non-Thinking para conversación general. Qwen también destaca escritura creativa, diálogo basado en papeles, seguimiento de instrucciones de varios turnos y uso de herramientas con agentes. El modelo procesa texto y genera texto; las instrucciones y traducciones multilingües forman parte de la compatibilidad de la familia original con 119 idiomas y dialectos. Puede recibir encargos de explicación analítica, propuesta de código o texto cuidadosamente especificado.
La edición exacta tiene 32,800 millones de parámetros totales en 64 capas. Es un modelo denso, distinto de la arquitectura de enrutamiento de expertos de Qwen3-30B-A3B y de ediciones posteriores de Qwen3 identificadas por separado. Su contexto nativo es de 32,768 tokens. Prepara una tarea exigente con la evidencia pertinente, los requisitos y el resultado esperado juntos. Para una revisión de ingeniería, aporta la descripción del componente, las restricciones de interfaz y el problema que se debe resolver y solicita después una propuesta que identifique suposiciones, dependencias y alternativas utilizando solo el material proporcionado cuando corresponda.
La plantilla de chat del productor activa el modo Thinking de forma predeterminada y expone un interruptor explícito enable_thinking. La desactivación de configuración impide por completo el contenido de pensamiento. Con pensamiento activado, /think y /no_think en instrucciones de usuario o sistema proporcionan control textual turno a turno, y la instrucción más reciente determina el comportamiento solicitado. Una petición textual sin pensamiento puede dejar un bloque vacío; un marcador /think no puede anular una plantilla desactivada explícitamente. Esto permite al modelo original alternar entre una petición directa de redacción y una pregunta que se beneficia de una cadena extensa de razonamiento cuando se aplican los controles prescritos.
El ejemplo de generación analiza una sección <think> por separado de la respuesta final. Qwen recomienda explicitar el formato final, como una respuesta matemática enmarcada o un único campo de respuesta para una tarea de opción múltiple. En análisis práctico, especifica la conclusión solicitada y el material de apoyo: por ejemplo, una elección final de diseño seguida de las restricciones que satisface y los asuntos pendientes. Conforme a las orientaciones del productor, conserva la respuesta final, no el contenido de pensamiento anterior, en el historial posterior. Así se preserva el resultado necesario para las siguientes preguntas sin arrastrar todos los pasos de razonamiento.
Las llamadas a herramientas forman parte del perfil documentado en ambos modos. Qwen recomienda Qwen-Agent para plantillas y analizadores de llamadas y demuestra recuperación de información, información horaria e intérprete de código. Define las herramientas con claridad, explica el significado de sus argumentos e indica al modelo qué constituye una tarea terminada. Un flujo útil puede solicitar información seleccionada, aportar el contenido realmente devuelto y pedir después una síntesis o una propuesta de implementación. La llamada solicitada por el modelo y la ejecución de la herramienta por la aplicación son etapas independientes; la respuesta final debería basarse en la evidencia devuelta.
Para entradas más largas, la ficha documenta una extensión YaRN a 131,072 tokens. La ventana nativa es menor y el escalado estático puede afectar al rendimiento con entradas cortas. Qwen recomienda activar la extensión cuando realmente se necesita un contexto mayor; la ficha también explica una asignación predeterminada de 40,960 posiciones para prompt y salida. Selecciona los documentos pertinentes y conserva encabezados, separaciones de fuentes y terminología. Deja espacio para el razonamiento y la respuesta final, especialmente cuando la tarea requiere conciliar varias especificaciones en lugar de resumir un pasaje.
Las recomendaciones oficiales son temperature 0.6, top-p 0.95, top-k 20 y min-p 0 para pensamiento; para el modo sin pensamiento, temperature 0.7 y top-p 0.8 sustituyen los dos primeros ajustes. Qwen desaconseja la decodificación voraz en modo de pensamiento y señala que una penalización de presencia alta puede provocar mezcla de idiomas o menor calidad. Recomienda un espacio de salida de 32,768 tokens para la mayoría de consultas y describe 38,912 para problemas especialmente exigentes de matemáticas y programación. Son orientaciones de generación, no un límite universal estricto de respuesta. Un encargo preciso y un formato final definido ayudan a centrar el razonamiento disponible del modelo en el trabajo que necesita el lector.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3-32b | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.000286 / 1K tokens Salida · Tokens de salida $0.001144 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.000286 / 1K tokens Salida · Tokens de salida $0.001144 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen/qwen3-32b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3-32b', '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/qwen3-32b', '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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra qwen/qwen3-32b
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Review a cache invalidation design\n\nA report cache is keyed only by report name. Reports also depend on account ID and selected month. Two users requesting the same name can receive the wrong account or month. Propose a revised key contract, explain the dependencies it captures and give three text test cases. Use only the described inputs; propose no repository edits.A key contract, dependency explanation and cases distinguishing account and month.Different accounts or months must not share a cache entry solely because the report name matches.