Qwen3-1.7B combina respuestas directas y razonamiento en un modelo de lenguaje denso y pequeño. El fabricante describe seguimiento de instrucciones, escritura creativa, conversaciones basadas en roles, matemáticas, problemas lógicos y código, con más de 100 idiomas y dialectos compatibles. Recibe texto y produce texto. Una tarea inicial útil es una transformación definida con precisión: convertir un mensaje breve de cliente en una respuesta cortés, explicar un término para un lector concreto o convertir una nota de reunión en una lista de acciones.
La publicación exacta tiene 1.7 mil millones de parámetros, incluidos 1.4 mil millones fuera de los embeddings, y 28 capas. La atención de consultas agrupadas utiliza 16 cabezas de consulta y ocho cabezas de clave/valor. Su propia ficha de modelo indica una longitud de contexto de 32,768 tokens. Esa es la ventana documentada de la edición; las cifras de contextos más grandes de otros tamaños Qwen3 deben permanecer asociadas a esas fichas separadas. Mantén el texto fuente, las instrucciones, el historial de conversación y la respuesta solicitada dentro del presupuesto de secuencia pertinente. Para un asistente de respuestas, proporciona el mensaje recibido, los antecedentes verificados, el público y la extensión deseada, en lugar de un archivo completo de correspondencia sin relación.
La guía de inicio rápido del fabricante da formato a una conversación con la plantilla de chat del modelo. Prepara una tarea pequeña y completa que pueda comprobarse frente a su fuente. Para un ejemplo de lista de acciones, proporciona una nota con nombres, fechas y decisiones, pide un elemento por acción y exige un valor desconocido explícito donde no se haya indicado responsable. Para un ejemplo de programación, proporciona una función y entradas representativas, y después pide al modelo que explique la rama que determina el resultado. Una explicación devuelta debe referirse a las variables y condiciones reales, en lugar de introducir comportamiento hipotético. 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.
El pensamiento está activado de forma predeterminada en la plantilla proporcionada. Un interruptor estricto selecciona una salida sin pensamiento y sin sección de razonamiento. Cuando el pensamiento permanece activado, /think y /no_think actúan como instrucciones por turno, con la más reciente controlando la elección; no pueden anular un modo desactivado de forma estricta. Utiliza la configuración directa para una reescritura breve y una de razonamiento cuando una respuesta necesite conciliar varias condiciones. Mantén el razonamiento intermedio separado de la respuesta final y conserva la respuesta final en el historial posterior de diálogo. 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.
El uso con agentes forma parte del conjunto de capacidades publicado. El fabricante recomienda Qwen-Agent para el formato de herramientas y su análisis, mientras que la aplicación proporciona y ejecuta las herramientas. Un asistente de alcance acotado podría pedir una consulta de diccionario para un término de producto, recibir la definición confirmada y después reescribir la oración del usuario. Define el argumento permitido y los campos devueltos; comprueba ambos antes de utilizar el resultado. El texto final debe distinguir los hechos proporcionados, la información devuelta y las preguntas que siguen sin respuesta. 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.
El presupuesto de salida debe ajustarse a la tarea completa. La ficha del modelo proporciona ejemplos de generación y recomendaciones de longitud de salida; son distintos de un máximo comprobado del lado del servicio. Las salidas breves solicitadas son fáciles de verificar: especifica los campos, el orden y el idioma, y conserva el mensaje original para compararlo. Evalúa el resultado con la clase real de entradas antes de confiar en generaciones extensas. 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.
Este tamaño tiene una nota específica sobre repetición persistente: la ficha sugiere los ajustes de muestreo recomendados y presence_penalty 1.5 cuando se produzca repetición significativa. Las penalizaciones más altas pueden a veces mezclar idiomas o reducir el rendimiento. Para pensamiento, la temperatura sugerida es 0.6 con top-p 0.95, top-k 20 y min-p 0; sin pensamiento, la temperatura es 0.7 con top-p 0.8, top-k 20 y min-p 0. Evita la decodificación voraz en modo de razonamiento. Comprueba los nombres, las fechas, las etiquetas y las cláusulas repetidas, y valida cualquier salida estructurada antes de pasarla a otra parte de una aplicación.
", "aboutText": "Qwen3-1.7B combina respuestas directas y razonamiento en un modelo de lenguaje denso y pequeño. El fabricante describe seguimiento de instrucciones, escritura creativa, conversaciones basadas en roles, matemáticas, problemas lógicos y código, con más de 100 idiomas y dialectos compatibles. Recibe texto y produce texto. Una tarea inicial útil es una transformación definida con precisión: convertir un mensaje breve de cliente en una respuesta cortés, explicar un término para un lector concreto o convertir una nota de reunión en una lista de acciones.\n\nLa publicación exacta tiene 1.7 mil millones de parámetros, incluidos 1.4 mil millones fuera de los embeddings, y 28 capas. La atención de consultas agrupadas utiliza 16 cabezas de consulta y ocho cabezas de clave/valor. Su propia ficha de modelo indica una longitud de contexto de 32,768 tokens. Esa es la ventana documentada de la edición; las cifras de contextos más grandes de otros tamaños Qwen3 deben permanecer asociadas a esas fichas separadas. Mantén el texto fuente, las instrucciones, el historial de conversación y la respuesta solicitada dentro del presupuesto de secuencia pertinente. Para un asistente de respuestas, proporciona el mensaje recibido, los antecedentes verificados, el público y la extensión deseada, en lugar de un archivo completo de correspondencia sin relación.\n\nLa guía de inicio rápido del fabricante da formato a una conversación con la plantilla de chat del modelo. Prepara una tarea pequeña y completa que pueda comprobarse frente a su fuente. Para un ejemplo de lista de acciones, proporciona una nota con nombres, fechas y decisiones, pide un elemento por acción y exige un valor desconocido explícito donde no se haya indicado responsable. Para un ejemplo de programación, proporciona una función y entradas representativas, y después pide al modelo que explique la rama que determina el resultado. Una explicación devuelta debe referirse a las variables y condiciones reales, en lugar de introducir comportamiento hipotético. 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\nEl pensamiento está activado de forma predeterminada en la plantilla proporcionada. Un interruptor estricto selecciona una salida sin pensamiento y sin sección de razonamiento. Cuando el pensamiento permanece activado, /think y /no_think actúan como instrucciones por turno, con la más reciente controlando la elección; no pueden anular un modo desactivado de forma estricta. Utiliza la configuración directa para una reescritura breve y una de razonamiento cuando una respuesta necesite conciliar varias condiciones. Mantén el razonamiento intermedio separado de la respuesta final y conserva la respuesta final en el historial posterior de diálogo. 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\nEl uso con agentes forma parte del conjunto de capacidades publicado. El fabricante recomienda Qwen-Agent para el formato de herramientas y su análisis, mientras que la aplicación proporciona y ejecuta las herramientas. Un asistente de alcance acotado podría pedir una consulta de diccionario para un término de producto, recibir la definición confirmada y después reescribir la oración del usuario. Define el argumento permitido y los campos devueltos; comprueba ambos antes de utilizar el resultado. El texto final debe distinguir los hechos proporcionados, la información devuelta y las preguntas que siguen sin respuesta. 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\nEl presupuesto de salida debe ajustarse a la tarea completa. La ficha del modelo proporciona ejemplos de generación y recomendaciones de longitud de salida; son distintos de un máximo comprobado del lado del servicio. Las salidas breves solicitadas son fáciles de verificar: especifica los campos, el orden y el idioma, y conserva el mensaje original para compararlo. Evalúa el resultado con la clase real de entradas antes de confiar en generaciones extensas. 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\nEste tamaño tiene una nota específica sobre repetición persistente: la ficha sugiere los ajustes de muestreo recomendados y presence_penalty 1.5 cuando se produzca repetición significativa. Las penalizaciones más altas pueden a veces mezclar idiomas o reducir el rendimiento. Para pensamiento, la temperatura sugerida es 0.6 con top-p 0.95, top-k 20 y min-p 0; sin pensamiento, la temperatura es 0.7 con top-p 0.8, top-k 20 y min-p 0. Evita la decodificación voraz en modo de razonamiento. Comprueba los nombres, las fechas, las etiquetas y las cláusulas repetidas, y valida cualquier salida estructurada antes de pasarla a otra parte de una aplicación.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Convert a short note into actions\n\nTurn this note into an action list: 'Mina will order six folders by Thursday. Leo will check the cupboard today. Someone must print the welcome sheets before Friday, but we have not assigned that task.' Return one row per action with owner, task and deadline; use 'unassigned' where needed.Three action rows retaining names, deadlines and the unassigned printing owner.Do not assign the printing task to Mina or Leo without evidence in the note.qwen3-1.7bQwen3-1.7B es un modelo denso y compacto de texto con modos de respuesta directa y de pensamiento. Admite diálogo multilingüe, redacción, código e instrucciones orientadas a herramientas, con un contexto de 32,768 tokens documentado para esta publicación exacta.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen3-1.7B combina respuestas directas y razonamiento en un modelo de lenguaje denso y pequeño. El fabricante describe seguimiento de instrucciones, escritura creativa, conversaciones basadas en roles, matemáticas, problemas lógicos y código, con más de 100 idiomas y dialectos compatibles. Recibe texto y produce texto. Una tarea inicial útil es una transformación definida con precisión: convertir un mensaje breve de cliente en una respuesta cortés, explicar un término para un lector concreto o convertir una nota de reunión en una lista de acciones.
La publicación exacta tiene 1.7 mil millones de parámetros, incluidos 1.4 mil millones fuera de los embeddings, y 28 capas. La atención de consultas agrupadas utiliza 16 cabezas de consulta y ocho cabezas de clave/valor. Su propia ficha de modelo indica una longitud de contexto de 32,768 tokens. Esa es la ventana documentada de la edición; las cifras de contextos más grandes de otros tamaños Qwen3 deben permanecer asociadas a esas fichas separadas. Mantén el texto fuente, las instrucciones, el historial de conversación y la respuesta solicitada dentro del presupuesto de secuencia pertinente. Para un asistente de respuestas, proporciona el mensaje recibido, los antecedentes verificados, el público y la extensión deseada, en lugar de un archivo completo de correspondencia sin relación.
La guía de inicio rápido del fabricante da formato a una conversación con la plantilla de chat del modelo. Prepara una tarea pequeña y completa que pueda comprobarse frente a su fuente. Para un ejemplo de lista de acciones, proporciona una nota con nombres, fechas y decisiones, pide un elemento por acción y exige un valor desconocido explícito donde no se haya indicado responsable. Para un ejemplo de programación, proporciona una función y entradas representativas, y después pide al modelo que explique la rama que determina el resultado. Una explicación devuelta debe referirse a las variables y condiciones reales, en lugar de introducir comportamiento hipotético. 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.
El pensamiento está activado de forma predeterminada en la plantilla proporcionada. Un interruptor estricto selecciona una salida sin pensamiento y sin sección de razonamiento. Cuando el pensamiento permanece activado, /think y /no_think actúan como instrucciones por turno, con la más reciente controlando la elección; no pueden anular un modo desactivado de forma estricta. Utiliza la configuración directa para una reescritura breve y una de razonamiento cuando una respuesta necesite conciliar varias condiciones. Mantén el razonamiento intermedio separado de la respuesta final y conserva la respuesta final en el historial posterior de diálogo. 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.
El uso con agentes forma parte del conjunto de capacidades publicado. El fabricante recomienda Qwen-Agent para el formato de herramientas y su análisis, mientras que la aplicación proporciona y ejecuta las herramientas. Un asistente de alcance acotado podría pedir una consulta de diccionario para un término de producto, recibir la definición confirmada y después reescribir la oración del usuario. Define el argumento permitido y los campos devueltos; comprueba ambos antes de utilizar el resultado. El texto final debe distinguir los hechos proporcionados, la información devuelta y las preguntas que siguen sin respuesta. 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.
El presupuesto de salida debe ajustarse a la tarea completa. La ficha del modelo proporciona ejemplos de generación y recomendaciones de longitud de salida; son distintos de un máximo comprobado del lado del servicio. Las salidas breves solicitadas son fáciles de verificar: especifica los campos, el orden y el idioma, y conserva el mensaje original para compararlo. Evalúa el resultado con la clase real de entradas antes de confiar en generaciones extensas. 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.
Este tamaño tiene una nota específica sobre repetición persistente: la ficha sugiere los ajustes de muestreo recomendados y presence_penalty 1.5 cuando se produzca repetición significativa. Las penalizaciones más altas pueden a veces mezclar idiomas o reducir el rendimiento. Para pensamiento, la temperatura sugerida es 0.6 con top-p 0.95, top-k 20 y min-p 0; sin pensamiento, la temperatura es 0.7 con top-p 0.8, top-k 20 y min-p 0. Evita la decodificación voraz en modo de razonamiento. Comprueba los nombres, las fechas, las etiquetas y las cláusulas repetidas, y valida cualquier salida estructurada antes de pasarla a otra parte de una aplicación.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen3-1.7b | 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": "qwen3-1.7b", "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='qwen3-1.7b',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='qwen3-1.7b',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 qwen3-1.7b
Usa las rutas de método indicadas arriba.
qwen3-1.7bQwen3-1.7B es un modelo denso y compacto de texto con modos de respuesta directa y de pensamiento. Admite diálogo multilingüe, redacción, código e instrucciones orientadas a herramientas, con un contexto de 32,768 tokens documentado para esta publicación exacta.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen3-1.7B combina respuestas directas y razonamiento en un modelo de lenguaje denso y pequeño. El fabricante describe seguimiento de instrucciones, escritura creativa, conversaciones basadas en roles, matemáticas, problemas lógicos y código, con más de 100 idiomas y dialectos compatibles. Recibe texto y produce texto. Una tarea inicial útil es una transformación definida con precisión: convertir un mensaje breve de cliente en una respuesta cortés, explicar un término para un lector concreto o convertir una nota de reunión en una lista de acciones.
La publicación exacta tiene 1.7 mil millones de parámetros, incluidos 1.4 mil millones fuera de los embeddings, y 28 capas. La atención de consultas agrupadas utiliza 16 cabezas de consulta y ocho cabezas de clave/valor. Su propia ficha de modelo indica una longitud de contexto de 32,768 tokens. Esa es la ventana documentada de la edición; las cifras de contextos más grandes de otros tamaños Qwen3 deben permanecer asociadas a esas fichas separadas. Mantén el texto fuente, las instrucciones, el historial de conversación y la respuesta solicitada dentro del presupuesto de secuencia pertinente. Para un asistente de respuestas, proporciona el mensaje recibido, los antecedentes verificados, el público y la extensión deseada, en lugar de un archivo completo de correspondencia sin relación.
La guía de inicio rápido del fabricante da formato a una conversación con la plantilla de chat del modelo. Prepara una tarea pequeña y completa que pueda comprobarse frente a su fuente. Para un ejemplo de lista de acciones, proporciona una nota con nombres, fechas y decisiones, pide un elemento por acción y exige un valor desconocido explícito donde no se haya indicado responsable. Para un ejemplo de programación, proporciona una función y entradas representativas, y después pide al modelo que explique la rama que determina el resultado. Una explicación devuelta debe referirse a las variables y condiciones reales, en lugar de introducir comportamiento hipotético. 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.
El pensamiento está activado de forma predeterminada en la plantilla proporcionada. Un interruptor estricto selecciona una salida sin pensamiento y sin sección de razonamiento. Cuando el pensamiento permanece activado, /think y /no_think actúan como instrucciones por turno, con la más reciente controlando la elección; no pueden anular un modo desactivado de forma estricta. Utiliza la configuración directa para una reescritura breve y una de razonamiento cuando una respuesta necesite conciliar varias condiciones. Mantén el razonamiento intermedio separado de la respuesta final y conserva la respuesta final en el historial posterior de diálogo. 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.
El uso con agentes forma parte del conjunto de capacidades publicado. El fabricante recomienda Qwen-Agent para el formato de herramientas y su análisis, mientras que la aplicación proporciona y ejecuta las herramientas. Un asistente de alcance acotado podría pedir una consulta de diccionario para un término de producto, recibir la definición confirmada y después reescribir la oración del usuario. Define el argumento permitido y los campos devueltos; comprueba ambos antes de utilizar el resultado. El texto final debe distinguir los hechos proporcionados, la información devuelta y las preguntas que siguen sin respuesta. 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.
El presupuesto de salida debe ajustarse a la tarea completa. La ficha del modelo proporciona ejemplos de generación y recomendaciones de longitud de salida; son distintos de un máximo comprobado del lado del servicio. Las salidas breves solicitadas son fáciles de verificar: especifica los campos, el orden y el idioma, y conserva el mensaje original para compararlo. Evalúa el resultado con la clase real de entradas antes de confiar en generaciones extensas. 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.
Este tamaño tiene una nota específica sobre repetición persistente: la ficha sugiere los ajustes de muestreo recomendados y presence_penalty 1.5 cuando se produzca repetición significativa. Las penalizaciones más altas pueden a veces mezclar idiomas o reducir el rendimiento. Para pensamiento, la temperatura sugerida es 0.6 con top-p 0.95, top-k 20 y min-p 0; sin pensamiento, la temperatura es 0.7 con top-p 0.8, top-k 20 y min-p 0. Evita la decodificación voraz en modo de razonamiento. Comprueba los nombres, las fechas, las etiquetas y las cláusulas repetidas, y valida cualquier salida estructurada antes de pasarla a otra parte de una aplicación.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen3-1.7b | 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 $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen3-1.7b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-1.7b', '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': 'qwen3-1.7b', '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 qwen3-1.7b
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Convert a short note into actions\n\nTurn this note into an action list: 'Mina will order six folders by Thursday. Leo will check the cupboard today. Someone must print the welcome sheets before Friday, but we have not assigned that task.' Return one row per action with owner, task and deadline; use 'unassigned' where needed.Three action rows retaining names, deadlines and the unassigned printing owner.Do not assign the printing task to Mina or Leo without evidence in the note.