Qwen3-235B-A22B-Instruct-2507 es la edición actualizada de seguimiento de instrucciones y sin pensamiento del gran modelo de mezcla de expertos de Qwen3. Qwen destaca mejoras de comprensión textual, razonamiento lógico, matemáticas, ciencia, programación y uso de herramientas, junto con conocimientos multilingües más amplios y mejor tratamiento de escritura abierta. Sus entradas y salidas son texto. Resulta útil para transformar un encargo bien definido y material proporcionado en una respuesta, un análisis, un programa o un borrador pulido, sin una sección de pensamiento generada por separado.
El modelo tiene 235.000 millones de parámetros totales y activa 22.000 millones por token. Su contexto nativo es de 262.144 tokens. Una solicitud práctica con entrada larga puede reunir una especificación de producto, notas de implementación y una lista de preguntas sin resolver y pedir después una comparación estructurada o una especificación editada. Conserva los encabezados de origen e identifica el público previsto, las secciones que se deben cambiar y las condiciones que debe cumplir la salida. Para escritura, incluye el tono, la longitud y los hechos requeridos; para programación, incluye las interfaces, el comportamiento esperado y el código circundante.
Esta edición solo admite el modo sin pensamiento y no produce bloques <think>. No necesita el interruptor enable_thinking=False del modelo híbrido original y solicitar el modo del modelo posterior Thinking-2507 no cambia su edición. La salida directa sigue permitiendo una explicación, un cálculo o una respuesta razonada cuando se solicitan. Los ejemplos de Qwen estandarizan una respuesta matemática con \\boxed{} y una de opción múltiple con un campo de respuesta especificado. Instrucciones explícitas similares pueden pedir una justificación breve seguida de una recomendación final o campos JSON definidos cuyo significado figure en el prompt.
Para flujos de agentes, la ficha oficial recomienda Qwen-Agent, con sus plantillas y analizadores de llamadas a herramientas. Las herramientas pueden definirse individualmente o mediante una configuración estructurada, y el productor demuestra recuperación de información y un intérprete de código. La preparación útil consiste en describir el propósito y los argumentos de cada herramienta, aportar el material ya disponible y especificar el punto de parada deseado. Por ejemplo, puede pedirse a un asistente documental que recupere secciones identificadas por nombre, concilie diferencias y devuelva una explicación actualizada. La aplicación circundante ejecuta las herramientas solicitadas y devuelve sus resultados a la conversación.
El productor recomienda temperature 0,7, top-p 0,8, top-k 20 y min-p 0, con un espacio de salida de 16.384 tokens para la mayoría de consultas. Es una orientación de generación, no una afirmación de que toda respuesta pueda alcanzar un máximo fijo. La ficha también señala que una penalización de presencia puede reducir la salida repetitiva, mientras que valores más altos pueden introducir mezcla de idiomas y reducir ligeramente la calidad. Un encargo concreto y una estructura de salida explícita resultan útiles antes de cambiar esos controles: pide las secciones, los campos o los ejemplos exactos necesarios y reserva suficiente espacio para ellos.
Qwen documenta una extensión opcional a 1.010.000 tokens mediante una configuración independiente que utiliza Dual Chunk Attention y atención dispersa. La ventana nativa sigue siendo de 262.144 tokens; el ajuste mayor depende de la implementación prescrita y los recursos de memoria. La ficha señala explícitamente que las restricciones de memoria pueden requerir un contexto configurado más corto. Para material extenso, selecciona las fuentes pertinentes, indica su prioridad y pide al modelo que distinga las conclusiones respaldadas por el texto proporcionado de las preguntas pendientes. Así se obtiene un resultado de contexto largo utilizable sin tratar la capacidad de entrada como un sustituto de una tarea precisa.
", "aboutText": "Qwen3-235B-A22B-Instruct-2507 es la edición actualizada de seguimiento de instrucciones y sin pensamiento del gran modelo de mezcla de expertos de Qwen3. Qwen destaca mejoras de comprensión textual, razonamiento lógico, matemáticas, ciencia, programación y uso de herramientas, junto con conocimientos multilingües más amplios y mejor tratamiento de escritura abierta. Sus entradas y salidas son texto. Resulta útil para transformar un encargo bien definido y material proporcionado en una respuesta, un análisis, un programa o un borrador pulido, sin una sección de pensamiento generada por separado.\n\nEl modelo tiene 235.000 millones de parámetros totales y activa 22.000 millones por token. Su contexto nativo es de 262.144 tokens. Una solicitud práctica con entrada larga puede reunir una especificación de producto, notas de implementación y una lista de preguntas sin resolver y pedir después una comparación estructurada o una especificación editada. Conserva los encabezados de origen e identifica el público previsto, las secciones que se deben cambiar y las condiciones que debe cumplir la salida. Para escritura, incluye el tono, la longitud y los hechos requeridos; para programación, incluye las interfaces, el comportamiento esperado y el código circundante.\n\nEsta edición solo admite el modo sin pensamiento y no produce bloquesEjemplo técnico en inglés
Update a specification from notes\n\nProduce an updated export specification from these sources. [SPEC] Export all visible rows with headers. [IMPLEMENTATION] Current code exports selected rows only. [DECISION] Users must choose either selected rows or all filtered rows; headers are always included. Decision takes priority. Return the revised requirement, the implementation gap and questions still needed for an empty selection.A revised specification section, a source-labeled gap note and an empty-selection question.Check the two export choices remain distinct and headers stay mandatory.qwen/qwen3-235b-a22b-2507Qwen3-235B-A22B-Instruct-2507 es el modelo de texto sin pensamiento de Qwen para escritura multilingüe, programación, seguimiento de instrucciones y análisis documental. Genera respuestas directas sin bloques de pensamiento y tiene un contexto nativo de 262.144 tokens.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen3-235B-A22B-Instruct-2507 es la edición actualizada de seguimiento de instrucciones y sin pensamiento del gran modelo de mezcla de expertos de Qwen3. Qwen destaca mejoras de comprensión textual, razonamiento lógico, matemáticas, ciencia, programación y uso de herramientas, junto con conocimientos multilingües más amplios y mejor tratamiento de escritura abierta. Sus entradas y salidas son texto. Resulta útil para transformar un encargo bien definido y material proporcionado en una respuesta, un análisis, un programa o un borrador pulido, sin una sección de pensamiento generada por separado.
El modelo tiene 235.000 millones de parámetros totales y activa 22.000 millones por token. Su contexto nativo es de 262.144 tokens. Una solicitud práctica con entrada larga puede reunir una especificación de producto, notas de implementación y una lista de preguntas sin resolver y pedir después una comparación estructurada o una especificación editada. Conserva los encabezados de origen e identifica el público previsto, las secciones que se deben cambiar y las condiciones que debe cumplir la salida. Para escritura, incluye el tono, la longitud y los hechos requeridos; para programación, incluye las interfaces, el comportamiento esperado y el código circundante.
Esta edición solo admite el modo sin pensamiento y no produce bloques <think>. No necesita el interruptor enable_thinking=False del modelo híbrido original y solicitar el modo del modelo posterior Thinking-2507 no cambia su edición. La salida directa sigue permitiendo una explicación, un cálculo o una respuesta razonada cuando se solicitan. Los ejemplos de Qwen estandarizan una respuesta matemática con \\boxed{} y una de opción múltiple con un campo de respuesta especificado. Instrucciones explícitas similares pueden pedir una justificación breve seguida de una recomendación final o campos JSON definidos cuyo significado figure en el prompt.
Para flujos de agentes, la ficha oficial recomienda Qwen-Agent, con sus plantillas y analizadores de llamadas a herramientas. Las herramientas pueden definirse individualmente o mediante una configuración estructurada, y el productor demuestra recuperación de información y un intérprete de código. La preparación útil consiste en describir el propósito y los argumentos de cada herramienta, aportar el material ya disponible y especificar el punto de parada deseado. Por ejemplo, puede pedirse a un asistente documental que recupere secciones identificadas por nombre, concilie diferencias y devuelva una explicación actualizada. La aplicación circundante ejecuta las herramientas solicitadas y devuelve sus resultados a la conversación.
El productor recomienda temperature 0,7, top-p 0,8, top-k 20 y min-p 0, con un espacio de salida de 16.384 tokens para la mayoría de consultas. Es una orientación de generación, no una afirmación de que toda respuesta pueda alcanzar un máximo fijo. La ficha también señala que una penalización de presencia puede reducir la salida repetitiva, mientras que valores más altos pueden introducir mezcla de idiomas y reducir ligeramente la calidad. Un encargo concreto y una estructura de salida explícita resultan útiles antes de cambiar esos controles: pide las secciones, los campos o los ejemplos exactos necesarios y reserva suficiente espacio para ellos.
Qwen documenta una extensión opcional a 1.010.000 tokens mediante una configuración independiente que utiliza Dual Chunk Attention y atención dispersa. La ventana nativa sigue siendo de 262.144 tokens; el ajuste mayor depende de la implementación prescrita y los recursos de memoria. La ficha señala explícitamente que las restricciones de memoria pueden requerir un contexto configurado más corto. Para material extenso, selecciona las fuentes pertinentes, indica su prioridad y pide al modelo que distinga las conclusiones respaldadas por el texto proporcionado de las preguntas pendientes. Así se obtiene un resultado de contexto largo utilizable sin tratar la capacidad de entrada como un sustituto de una tarea precisa.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3-235b-a22b-2507 | 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 $0.000572 / 1K tokens Salida · Tokens de salida $0.00228 / 1K tokens Entrada · Lectura de caché $0.0001 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 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 $0.000572 / 1K tokens Salida · Tokens de salida $0.00228 / 1K tokens Entrada · Lectura de caché $0.0001 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-235b-a22b-2507", "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/qwen3-235b-a22b-2507',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/qwen3-235b-a22b-2507',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 las cabeceras. 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/qwen3-235b-a22b-2507
Usa las rutas de método indicadas arriba.
qwen/qwen3-235b-a22b-2507Qwen3-235B-A22B-Instruct-2507 es el modelo de texto sin pensamiento de Qwen para escritura multilingüe, programación, seguimiento de instrucciones y análisis documental. Genera respuestas directas sin bloques de pensamiento y tiene un contexto nativo de 262.144 tokens.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen3-235B-A22B-Instruct-2507 es la edición actualizada de seguimiento de instrucciones y sin pensamiento del gran modelo de mezcla de expertos de Qwen3. Qwen destaca mejoras de comprensión textual, razonamiento lógico, matemáticas, ciencia, programación y uso de herramientas, junto con conocimientos multilingües más amplios y mejor tratamiento de escritura abierta. Sus entradas y salidas son texto. Resulta útil para transformar un encargo bien definido y material proporcionado en una respuesta, un análisis, un programa o un borrador pulido, sin una sección de pensamiento generada por separado.
El modelo tiene 235.000 millones de parámetros totales y activa 22.000 millones por token. Su contexto nativo es de 262.144 tokens. Una solicitud práctica con entrada larga puede reunir una especificación de producto, notas de implementación y una lista de preguntas sin resolver y pedir después una comparación estructurada o una especificación editada. Conserva los encabezados de origen e identifica el público previsto, las secciones que se deben cambiar y las condiciones que debe cumplir la salida. Para escritura, incluye el tono, la longitud y los hechos requeridos; para programación, incluye las interfaces, el comportamiento esperado y el código circundante.
Esta edición solo admite el modo sin pensamiento y no produce bloques <think>. No necesita el interruptor enable_thinking=False del modelo híbrido original y solicitar el modo del modelo posterior Thinking-2507 no cambia su edición. La salida directa sigue permitiendo una explicación, un cálculo o una respuesta razonada cuando se solicitan. Los ejemplos de Qwen estandarizan una respuesta matemática con \\boxed{} y una de opción múltiple con un campo de respuesta especificado. Instrucciones explícitas similares pueden pedir una justificación breve seguida de una recomendación final o campos JSON definidos cuyo significado figure en el prompt.
Para flujos de agentes, la ficha oficial recomienda Qwen-Agent, con sus plantillas y analizadores de llamadas a herramientas. Las herramientas pueden definirse individualmente o mediante una configuración estructurada, y el productor demuestra recuperación de información y un intérprete de código. La preparación útil consiste en describir el propósito y los argumentos de cada herramienta, aportar el material ya disponible y especificar el punto de parada deseado. Por ejemplo, puede pedirse a un asistente documental que recupere secciones identificadas por nombre, concilie diferencias y devuelva una explicación actualizada. La aplicación circundante ejecuta las herramientas solicitadas y devuelve sus resultados a la conversación.
El productor recomienda temperature 0,7, top-p 0,8, top-k 20 y min-p 0, con un espacio de salida de 16.384 tokens para la mayoría de consultas. Es una orientación de generación, no una afirmación de que toda respuesta pueda alcanzar un máximo fijo. La ficha también señala que una penalización de presencia puede reducir la salida repetitiva, mientras que valores más altos pueden introducir mezcla de idiomas y reducir ligeramente la calidad. Un encargo concreto y una estructura de salida explícita resultan útiles antes de cambiar esos controles: pide las secciones, los campos o los ejemplos exactos necesarios y reserva suficiente espacio para ellos.
Qwen documenta una extensión opcional a 1.010.000 tokens mediante una configuración independiente que utiliza Dual Chunk Attention y atención dispersa. La ventana nativa sigue siendo de 262.144 tokens; el ajuste mayor depende de la implementación prescrita y los recursos de memoria. La ficha señala explícitamente que las restricciones de memoria pueden requerir un contexto configurado más corto. Para material extenso, selecciona las fuentes pertinentes, indica su prioridad y pide al modelo que distinga las conclusiones respaldadas por el texto proporcionado de las preguntas pendientes. Así se obtiene un resultado de contexto largo utilizable sin tratar la capacidad de entrada como un sustituto de una tarea precisa.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3-235b-a22b-2507 | 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 $0.000572 / 1K tokens Salida · Tokens de salida $0.00228 / 1K tokens Entrada · Lectura de caché $0.0001 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 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 $0.000572 / 1K tokens Salida · Tokens de salida $0.00228 / 1K tokens Entrada · Lectura de caché $0.0001 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen/qwen3-235b-a22b-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3-235b-a22b-2507', '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/qwen3-235b-a22b-2507', '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 las cabeceras. 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/qwen3-235b-a22b-2507
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Update a specification from notes\n\nProduce an updated export specification from these sources. [SPEC] Export all visible rows with headers. [IMPLEMENTATION] Current code exports selected rows only. [DECISION] Users must choose either selected rows or all filtered rows; headers are always included. Decision takes priority. Return the revised requirement, the implementation gap and questions still needed for an empty selection.A revised specification section, a source-labeled gap note and an empty-selection question.Check the two export choices remain distinct and headers stay mandatory.