Qwen3-0.6B ofrece la interfaz híbrida de texto de Qwen3 en un modelo denso de 0.6 mil millones de parámetros. Las capacidades de su familia incluyen seguimiento de instrucciones, conversación multilingüe, escritura creativa, interacción basada en roles, matemáticas, código y razonamiento lógico. El pensamiento y la generación corriente están disponibles dentro de esta misma publicación. El tamaño compacto identifica el checkpoint, no un formato de entrada diferente ni un nombre sustituto para un modelo Qwen3 de mayor tamaño.
El modelo tiene 0.44 mil millones de parámetros fuera de los embeddings y 28 capas, con 16 cabezas de consulta y ocho cabezas de clave/valor en atención de consultas agrupadas. La ficha exacta documenta 32,768 tokens de contexto. Tanto el texto entrante como el contenido generado ocupan la secuencia del modelo, así que reserva espacio para la respuesta al reunir instrucciones y ejemplos. La ficha de esta publicación no documenta la configuración de contexto ampliado incluida en algunas fichas de Qwen3 de mayor tamaño. Una primera tarea práctica es una operación breve y claramente definida cuya salida pueda compararse directamente con la fuente.
Utiliza la plantilla de chat designada por el fabricante para presentar la instrucción y el material. Por ejemplo, proporciona una nota de servicio breve y pide un mensaje dirigido al cliente que mantenga sin cambios la fecha de la cita y el nombre del producto. Proporciona el lector previsto, el tono y la extensión máxima solicitada. Para una tarea de selección de etiquetas, enumera las etiquetas permitidas con sus definiciones e incluye un ejemplo ambiguo que muestre cómo comunicar incertidumbre. Pide solo la etiqueta y el pasaje correspondiente de la entrada. Son requisitos concretos de salida, no una afirmación de que el modelo siempre los cumplirá sin comprobación. La integración publicada espera un entorno de ejecución compatible con Qwen3; la ficha advierte que las versiones de Transformers inferiores a 4.51.0 no reconocen la arquitectura requerida.
La plantilla proporcionada utiliza pensamiento de forma predeterminada. Una configuración estricta sin pensamiento suprime la sección de razonamiento; si el pensamiento permanece activado, /think y /no_think pueden controlar el modo entre turnos, sujetos a la instrucción más reciente. Una desactivación estricta tiene prioridad sobre estas instrucciones flexibles. Selecciona la configuración que se ajuste a la operación: un cambio simple de redacción aprobada puede utilizar una respuesta directa, mientras que explicar por qué se aplica una condición puede necesitar razonamiento. Guarda la respuesta final, en lugar de una sección de razonamiento anterior, como historial de conversación. Con el pensamiento activado, incluso una solicitud flexible de no pensar conserva un bloque de razonamiento; su contenido puede estar vacío. La desactivación estricta elimina ese bloque.
La ficha del modelo describe el uso de agentes orientado a herramientas y recomienda Qwen-Agent para las plantillas y su análisis. Para un asistente pequeño de glosario, la aplicación podría exponer una consulta de solo lectura, validar sus argumentos, ejecutarla y devolver la entrada. El modelo puede entonces explicar el término con el estilo solicitado por el usuario. Define de antemano el resultado de la herramienta y la alternativa para una entrada faltante. Una solicitud de herramienta generada debe manejarse como una solicitud, y la aplicación conserva la responsabilidad de la ejecución y la evidencia devuelta. La guía Qwen3 también describe llamadas a herramientas en paralelo y en varios pasos, con argumentos representados como objetos y resultados incorporados de nuevo a la conversación.
Las longitudes de salida publicadas en la guía de inicio rápido y las buenas prácticas son pautas de generación, no un límite de API independiente y garantizado. Con una operación específica, elige un registro final compacto, como una oración reescrita más los nombres sin cambios, o una etiqueta y el texto que la respalda. Comprueba ese registro frente al material proporcionado. Si la tarea crece hasta convertirse en una explicación larga, evalúa el resultado más extenso con el mismo tipo de entrada real, en lugar de suponer que la identidad compacta del modelo establece su exactitud o calidad de respuesta. La documentación Qwen3 aborda longitudes de mensajes del asistente de 38,912 tokens en modo de pensamiento y de 16,384 en modo sin pensamiento en su explicación de la longitud de entrenamiento, y recomienda evaluar la calidad de generaciones más largas. Estas cifras son distintas de la ventana de contexto general y no son un máximo estricto específico de un endpoint.
Esta ficha exacta añade consejos para la repetición significativa: utiliza la configuración de muestreo recomendada y considera presence_penalty 1.5. Las penalizaciones más fuertes pueden provocar mezcla de idiomas o una disminución del rendimiento. El modo de pensamiento se combina con temperatura 0.6, top-p 0.95, top-k 20 y min-p 0; el modo sin pensamiento, con temperatura 0.7, top-p 0.8, top-k 20 y min-p 0. El fabricante advierte contra la decodificación voraz en modo de pensamiento. Inspecciona las frases repetidas, los nombres conservados y la etiqueta seleccionada; rechaza un registro mal formado en lugar de tratar una prosa legible como prueba de que se siguió el formato requerido.
", "aboutText": "Qwen3-0.6B ofrece la interfaz híbrida de texto de Qwen3 en un modelo denso de 0.6 mil millones de parámetros. Las capacidades de su familia incluyen seguimiento de instrucciones, conversación multilingüe, escritura creativa, interacción basada en roles, matemáticas, código y razonamiento lógico. El pensamiento y la generación corriente están disponibles dentro de esta misma publicación. El tamaño compacto identifica el checkpoint, no un formato de entrada diferente ni un nombre sustituto para un modelo Qwen3 de mayor tamaño.\n\nEl modelo tiene 0.44 mil millones de parámetros fuera de los embeddings y 28 capas, con 16 cabezas de consulta y ocho cabezas de clave/valor en atención de consultas agrupadas. La ficha exacta documenta 32,768 tokens de contexto. Tanto el texto entrante como el contenido generado ocupan la secuencia del modelo, así que reserva espacio para la respuesta al reunir instrucciones y ejemplos. La ficha de esta publicación no documenta la configuración de contexto ampliado incluida en algunas fichas de Qwen3 de mayor tamaño. Una primera tarea práctica es una operación breve y claramente definida cuya salida pueda compararse directamente con la fuente.\n\nUtiliza la plantilla de chat designada por el fabricante para presentar la instrucción y el material. Por ejemplo, proporciona una nota de servicio breve y pide un mensaje dirigido al cliente que mantenga sin cambios la fecha de la cita y el nombre del producto. Proporciona el lector previsto, el tono y la extensión máxima solicitada. Para una tarea de selección de etiquetas, enumera las etiquetas permitidas con sus definiciones e incluye un ejemplo ambiguo que muestre cómo comunicar incertidumbre. Pide solo la etiqueta y el pasaje correspondiente de la entrada. Son requisitos concretos de salida, no una afirmación de que el modelo siempre los cumplirá sin comprobación. La integración publicada espera un entorno de ejecución compatible con Qwen3; la ficha advierte que las versiones de Transformers inferiores a 4.51.0 no reconocen la arquitectura requerida.\n\nLa plantilla proporcionada utiliza pensamiento de forma predeterminada. Una configuración estricta sin pensamiento suprime la sección de razonamiento; si el pensamiento permanece activado, /think y /no_think pueden controlar el modo entre turnos, sujetos a la instrucción más reciente. Una desactivación estricta tiene prioridad sobre estas instrucciones flexibles. Selecciona la configuración que se ajuste a la operación: un cambio simple de redacción aprobada puede utilizar una respuesta directa, mientras que explicar por qué se aplica una condición puede necesitar razonamiento. Guarda la respuesta final, en lugar de una sección de razonamiento anterior, como historial de conversación. Con el pensamiento activado, incluso una solicitud flexible de no pensar conserva un bloque de razonamiento; su contenido puede estar vacío. La desactivación estricta elimina ese bloque.\n\nLa ficha del modelo describe el uso de agentes orientado a herramientas y recomienda Qwen-Agent para las plantillas y su análisis. Para un asistente pequeño de glosario, la aplicación podría exponer una consulta de solo lectura, validar sus argumentos, ejecutarla y devolver la entrada. El modelo puede entonces explicar el término con el estilo solicitado por el usuario. Define de antemano el resultado de la herramienta y la alternativa para una entrada faltante. Una solicitud de herramienta generada debe manejarse como una solicitud, y la aplicación conserva la responsabilidad de la ejecución y la evidencia devuelta. La guía Qwen3 también describe llamadas a herramientas en paralelo y en varios pasos, con argumentos representados como objetos y resultados incorporados de nuevo a la conversación.\n\nLas longitudes de salida publicadas en la guía de inicio rápido y las buenas prácticas son pautas de generación, no un límite de API independiente y garantizado. Con una operación específica, elige un registro final compacto, como una oración reescrita más los nombres sin cambios, o una etiqueta y el texto que la respalda. Comprueba ese registro frente al material proporcionado. Si la tarea crece hasta convertirse en una explicación larga, evalúa el resultado más extenso con el mismo tipo de entrada real, en lugar de suponer que la identidad compacta del modelo establece su exactitud o calidad de respuesta. La documentación Qwen3 aborda longitudes de mensajes del asistente de 38,912 tokens en modo de pensamiento y de 16,384 en modo sin pensamiento en su explicación de la longitud de entrenamiento, y recomienda evaluar la calidad de generaciones más largas. Estas cifras son distintas de la ventana de contexto general y no son un máximo estricto específico de un endpoint.\n\nEsta ficha exacta añade consejos para la repetición significativa: utiliza la configuración de muestreo recomendada y considera presence_penalty 1.5. Las penalizaciones más fuertes pueden provocar mezcla de idiomas o una disminución del rendimiento. El modo de pensamiento se combina con temperatura 0.6, top-p 0.95, top-k 20 y min-p 0; el modo sin pensamiento, con temperatura 0.7, top-p 0.8, top-k 20 y min-p 0. El fabricante advierte contra la decodificación voraz en modo de pensamiento. Inspecciona las frases repetidas, los nombres conservados y la etiqueta seleccionada; rechaza un registro mal formado en lugar de tratar una prosa legible como prueba de que se siguió el formato requerido.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
A single focused appointment rewrite\n\nRewrite this note as one friendly sentence for a customer, using at most 25 words: 'Appointment for Polar Fan repair: 14 June, 09:30. Bring the purchase receipt.' Preserve the product name, date, time and receipt instruction. Return only the sentence, with no heading or additional details.One customer-facing sentence of at most 25 words retaining all four facts.Polar Fan, 14 June and 09:30 remain exact, and the receipt instruction is present.qwen3-0.6bQwen3-0.6B es la publicación densa más pequeña de este conjunto Qwen3, con 0.6 mil millones de parámetros. Maneja instrucciones de texto y diálogo multilingüe mediante modos directo y de pensamiento, con un contexto de 32,768 tokens específico de la edición.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen3-0.6B ofrece la interfaz híbrida de texto de Qwen3 en un modelo denso de 0.6 mil millones de parámetros. Las capacidades de su familia incluyen seguimiento de instrucciones, conversación multilingüe, escritura creativa, interacción basada en roles, matemáticas, código y razonamiento lógico. El pensamiento y la generación corriente están disponibles dentro de esta misma publicación. El tamaño compacto identifica el checkpoint, no un formato de entrada diferente ni un nombre sustituto para un modelo Qwen3 de mayor tamaño.
El modelo tiene 0.44 mil millones de parámetros fuera de los embeddings y 28 capas, con 16 cabezas de consulta y ocho cabezas de clave/valor en atención de consultas agrupadas. La ficha exacta documenta 32,768 tokens de contexto. Tanto el texto entrante como el contenido generado ocupan la secuencia del modelo, así que reserva espacio para la respuesta al reunir instrucciones y ejemplos. La ficha de esta publicación no documenta la configuración de contexto ampliado incluida en algunas fichas de Qwen3 de mayor tamaño. Una primera tarea práctica es una operación breve y claramente definida cuya salida pueda compararse directamente con la fuente.
Utiliza la plantilla de chat designada por el fabricante para presentar la instrucción y el material. Por ejemplo, proporciona una nota de servicio breve y pide un mensaje dirigido al cliente que mantenga sin cambios la fecha de la cita y el nombre del producto. Proporciona el lector previsto, el tono y la extensión máxima solicitada. Para una tarea de selección de etiquetas, enumera las etiquetas permitidas con sus definiciones e incluye un ejemplo ambiguo que muestre cómo comunicar incertidumbre. Pide solo la etiqueta y el pasaje correspondiente de la entrada. Son requisitos concretos de salida, no una afirmación de que el modelo siempre los cumplirá sin comprobación. La integración publicada espera un entorno de ejecución compatible con Qwen3; la ficha advierte que las versiones de Transformers inferiores a 4.51.0 no reconocen la arquitectura requerida.
La plantilla proporcionada utiliza pensamiento de forma predeterminada. Una configuración estricta sin pensamiento suprime la sección de razonamiento; si el pensamiento permanece activado, /think y /no_think pueden controlar el modo entre turnos, sujetos a la instrucción más reciente. Una desactivación estricta tiene prioridad sobre estas instrucciones flexibles. Selecciona la configuración que se ajuste a la operación: un cambio simple de redacción aprobada puede utilizar una respuesta directa, mientras que explicar por qué se aplica una condición puede necesitar razonamiento. Guarda la respuesta final, en lugar de una sección de razonamiento anterior, como historial de conversación. Con el pensamiento activado, incluso una solicitud flexible de no pensar conserva un bloque de razonamiento; su contenido puede estar vacío. La desactivación estricta elimina ese bloque.
La ficha del modelo describe el uso de agentes orientado a herramientas y recomienda Qwen-Agent para las plantillas y su análisis. Para un asistente pequeño de glosario, la aplicación podría exponer una consulta de solo lectura, validar sus argumentos, ejecutarla y devolver la entrada. El modelo puede entonces explicar el término con el estilo solicitado por el usuario. Define de antemano el resultado de la herramienta y la alternativa para una entrada faltante. Una solicitud de herramienta generada debe manejarse como una solicitud, y la aplicación conserva la responsabilidad de la ejecución y la evidencia devuelta. La guía Qwen3 también describe llamadas a herramientas en paralelo y en varios pasos, con argumentos representados como objetos y resultados incorporados de nuevo a la conversación.
Las longitudes de salida publicadas en la guía de inicio rápido y las buenas prácticas son pautas de generación, no un límite de API independiente y garantizado. Con una operación específica, elige un registro final compacto, como una oración reescrita más los nombres sin cambios, o una etiqueta y el texto que la respalda. Comprueba ese registro frente al material proporcionado. Si la tarea crece hasta convertirse en una explicación larga, evalúa el resultado más extenso con el mismo tipo de entrada real, en lugar de suponer que la identidad compacta del modelo establece su exactitud o calidad de respuesta. La documentación Qwen3 aborda longitudes de mensajes del asistente de 38,912 tokens en modo de pensamiento y de 16,384 en modo sin pensamiento en su explicación de la longitud de entrenamiento, y recomienda evaluar la calidad de generaciones más largas. Estas cifras son distintas de la ventana de contexto general y no son un máximo estricto específico de un endpoint.
Esta ficha exacta añade consejos para la repetición significativa: utiliza la configuración de muestreo recomendada y considera presence_penalty 1.5. Las penalizaciones más fuertes pueden provocar mezcla de idiomas o una disminución del rendimiento. El modo de pensamiento se combina con temperatura 0.6, top-p 0.95, top-k 20 y min-p 0; el modo sin pensamiento, con temperatura 0.7, top-p 0.8, top-k 20 y min-p 0. El fabricante advierte contra la decodificación voraz en modo de pensamiento. Inspecciona las frases repetidas, los nombres conservados y la etiqueta seleccionada; rechaza un registro mal formado en lugar de tratar una prosa legible como prueba de que se siguió el formato requerido.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen3-0.6b | 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.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.0001 / 1K tokens Salida · Tokens de salida $0.001 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen3-0.6b", "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='qwen3-0.6b',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='qwen3-0.6b',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 qwen3-0.6b
Usa las rutas de método indicadas arriba.
qwen3-0.6bQwen3-0.6B es la publicación densa más pequeña de este conjunto Qwen3, con 0.6 mil millones de parámetros. Maneja instrucciones de texto y diálogo multilingüe mediante modos directo y de pensamiento, con un contexto de 32,768 tokens específico de la edición.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen3-0.6B ofrece la interfaz híbrida de texto de Qwen3 en un modelo denso de 0.6 mil millones de parámetros. Las capacidades de su familia incluyen seguimiento de instrucciones, conversación multilingüe, escritura creativa, interacción basada en roles, matemáticas, código y razonamiento lógico. El pensamiento y la generación corriente están disponibles dentro de esta misma publicación. El tamaño compacto identifica el checkpoint, no un formato de entrada diferente ni un nombre sustituto para un modelo Qwen3 de mayor tamaño.
El modelo tiene 0.44 mil millones de parámetros fuera de los embeddings y 28 capas, con 16 cabezas de consulta y ocho cabezas de clave/valor en atención de consultas agrupadas. La ficha exacta documenta 32,768 tokens de contexto. Tanto el texto entrante como el contenido generado ocupan la secuencia del modelo, así que reserva espacio para la respuesta al reunir instrucciones y ejemplos. La ficha de esta publicación no documenta la configuración de contexto ampliado incluida en algunas fichas de Qwen3 de mayor tamaño. Una primera tarea práctica es una operación breve y claramente definida cuya salida pueda compararse directamente con la fuente.
Utiliza la plantilla de chat designada por el fabricante para presentar la instrucción y el material. Por ejemplo, proporciona una nota de servicio breve y pide un mensaje dirigido al cliente que mantenga sin cambios la fecha de la cita y el nombre del producto. Proporciona el lector previsto, el tono y la extensión máxima solicitada. Para una tarea de selección de etiquetas, enumera las etiquetas permitidas con sus definiciones e incluye un ejemplo ambiguo que muestre cómo comunicar incertidumbre. Pide solo la etiqueta y el pasaje correspondiente de la entrada. Son requisitos concretos de salida, no una afirmación de que el modelo siempre los cumplirá sin comprobación. La integración publicada espera un entorno de ejecución compatible con Qwen3; la ficha advierte que las versiones de Transformers inferiores a 4.51.0 no reconocen la arquitectura requerida.
La plantilla proporcionada utiliza pensamiento de forma predeterminada. Una configuración estricta sin pensamiento suprime la sección de razonamiento; si el pensamiento permanece activado, /think y /no_think pueden controlar el modo entre turnos, sujetos a la instrucción más reciente. Una desactivación estricta tiene prioridad sobre estas instrucciones flexibles. Selecciona la configuración que se ajuste a la operación: un cambio simple de redacción aprobada puede utilizar una respuesta directa, mientras que explicar por qué se aplica una condición puede necesitar razonamiento. Guarda la respuesta final, en lugar de una sección de razonamiento anterior, como historial de conversación. Con el pensamiento activado, incluso una solicitud flexible de no pensar conserva un bloque de razonamiento; su contenido puede estar vacío. La desactivación estricta elimina ese bloque.
La ficha del modelo describe el uso de agentes orientado a herramientas y recomienda Qwen-Agent para las plantillas y su análisis. Para un asistente pequeño de glosario, la aplicación podría exponer una consulta de solo lectura, validar sus argumentos, ejecutarla y devolver la entrada. El modelo puede entonces explicar el término con el estilo solicitado por el usuario. Define de antemano el resultado de la herramienta y la alternativa para una entrada faltante. Una solicitud de herramienta generada debe manejarse como una solicitud, y la aplicación conserva la responsabilidad de la ejecución y la evidencia devuelta. La guía Qwen3 también describe llamadas a herramientas en paralelo y en varios pasos, con argumentos representados como objetos y resultados incorporados de nuevo a la conversación.
Las longitudes de salida publicadas en la guía de inicio rápido y las buenas prácticas son pautas de generación, no un límite de API independiente y garantizado. Con una operación específica, elige un registro final compacto, como una oración reescrita más los nombres sin cambios, o una etiqueta y el texto que la respalda. Comprueba ese registro frente al material proporcionado. Si la tarea crece hasta convertirse en una explicación larga, evalúa el resultado más extenso con el mismo tipo de entrada real, en lugar de suponer que la identidad compacta del modelo establece su exactitud o calidad de respuesta. La documentación Qwen3 aborda longitudes de mensajes del asistente de 38,912 tokens en modo de pensamiento y de 16,384 en modo sin pensamiento en su explicación de la longitud de entrenamiento, y recomienda evaluar la calidad de generaciones más largas. Estas cifras son distintas de la ventana de contexto general y no son un máximo estricto específico de un endpoint.
Esta ficha exacta añade consejos para la repetición significativa: utiliza la configuración de muestreo recomendada y considera presence_penalty 1.5. Las penalizaciones más fuertes pueden provocar mezcla de idiomas o una disminución del rendimiento. El modo de pensamiento se combina con temperatura 0.6, top-p 0.95, top-k 20 y min-p 0; el modo sin pensamiento, con temperatura 0.7, top-p 0.8, top-k 20 y min-p 0. El fabricante advierte contra la decodificación voraz en modo de pensamiento. Inspecciona las frases repetidas, los nombres conservados y la etiqueta seleccionada; rechaza un registro mal formado en lugar de tratar una prosa legible como prueba de que se siguió el formato requerido.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen3-0.6b | 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.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.0001 / 1K tokens Salida · Tokens de salida $0.001 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen3-0.6b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-0.6b', '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': 'qwen3-0.6b', '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 qwen3-0.6b
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
A single focused appointment rewrite\n\nRewrite this note as one friendly sentence for a customer, using at most 25 words: 'Appointment for Polar Fan repair: 14 June, 09:30. Bring the purchase receipt.' Preserve the product name, date, time and receipt instruction. Return only the sentence, with no heading or additional details.One customer-facing sentence of at most 25 words retaining all four facts.Polar Fan, 14 June and 09:30 remain exact, and the receipt instruction is present.