Qwen3-235B-A22B-Thinking-2507 desarrolla la rama de razonamiento de Qwen3 para tareas complejas de lógica, matemáticas, ciencia y programación. Qwen también identifica seguimiento de instrucciones, uso de herramientas, generación de texto y comprensión de contexto largo como áreas mejoradas en esta edición. Recibe conversaciones textuales y genera texto. Un encargo útil aporta el problema completo, la evidencia pertinente, las restricciones y la forma precisa del resultado final: una demostración, un plan de implementación, un programa corregido o una decisión respaldada por los documentos proporcionados.
El modelo utiliza una arquitectura de mezcla de expertos con 235.000 millones de parámetros totales y 22.000 millones activados por token. Su contexto nativo es de 262.144 tokens. Ese espacio resulta útil para reunir varias especificaciones relacionadas, archivos de origen o extractos de investigación en una conversación y dejar sitio al razonamiento y la respuesta final del modelo. Etiqueta los documentos y bloques de código, indica qué fuentes prevalecen y señala las secciones importantes. Por ejemplo, un encargo de análisis de software puede aportar el comportamiento fallido, el esperado, las funciones pertinentes y las restricciones y pedir después una propuesta de corrección con las suposiciones enumeradas por separado.
Esta es una edición de solo pensamiento. No cambia al modo sin pensamiento del modelo Qwen3 original. La plantilla oficial de chat inicia automáticamente la sección de razonamiento, por lo que una salida puede contener un marcador de cierre </think> sin un marcador de apertura en el texto generado. El ejemplo del productor separa esa sección de razonamiento de la respuesta final. Para una tarea matemática, Qwen recomienda pedir razonamiento paso a paso y una respuesta final dentro de \\boxed{}. Para una tarea de opción múltiple, sugiere un campo de respuesta que contenga solo la letra elegida. Estas instrucciones facilitan leer o utilizar el resultado una vez terminado el razonamiento.
Las orientaciones de generación de Qwen recomiendan temperature 0,6, top-p 0,95, top-k 20 y min-p 0. Recomienda un espacio de salida de 32.768 tokens para la mayoría de consultas y describe uno de 81.920 tokens para problemas matemáticos y de programación excepcionalmente exigentes. Son recomendaciones del productor para generación, no un límite de respuesta garantizado independiente. Un razonamiento más largo necesita espacio antes de la respuesta final: un presupuesto demasiado pequeño puede terminar la respuesta antes de la conclusión solicitada. En turnos posteriores de conversación, la orientación oficial conserva la respuesta final en el historial y omite el contenido de pensamiento previo.
Para trabajo con agentes, Qwen recomienda Qwen-Agent, que proporciona plantillas y análisis de llamadas a herramientas. Sus ejemplos combinan herramientas definidas, como recuperación de información y un intérprete de código, con la conversación del modelo. Prepara las descripciones de herramientas disponibles, la condición de parada de la tarea y el resultado requerido antes de pedirle que planifique el uso de herramientas. Un encargo práctico de investigación puede pedir reunir evidencia especificada, comparar explicaciones rivales y devolver una conclusión con la evidencia organizada por fuente. Las llamadas a herramientas describen trabajo que debe ejecutar una aplicación; el texto del modelo por sí solo no es la acción externa ni su resultado.
La ficha oficial también describe una extensión opcional de contexto a aproximadamente un millón de tokens mediante una configuración independiente, Dual Chunk Attention y atención dispersa. Es distinta de la ventana nativa de 262.144 tokens y depende de la implementación prescrita y de recursos de memoria sustanciales. El productor advierte que las restricciones de contexto y memoria pueden exigir secuencias más cortas. Para trabajo habitual con documentos largos, organiza la entrada en torno a la pregunta real, conserva las separaciones entre documentos y solicita una síntesis final concisa que identifique la evidencia pendiente de resolver. Así se mantiene el resultado útil separado del proceso de razonamiento, potencialmente largo.
", "aboutText": "Qwen3-235B-A22B-Thinking-2507 desarrolla la rama de razonamiento de Qwen3 para tareas complejas de lógica, matemáticas, ciencia y programación. Qwen también identifica seguimiento de instrucciones, uso de herramientas, generación de texto y comprensión de contexto largo como áreas mejoradas en esta edición. Recibe conversaciones textuales y genera texto. Un encargo útil aporta el problema completo, la evidencia pertinente, las restricciones y la forma precisa del resultado final: una demostración, un plan de implementación, un programa corregido o una decisión respaldada por los documentos proporcionados.\n\nEl modelo utiliza una arquitectura de mezcla de expertos con 235.000 millones de parámetros totales y 22.000 millones activados por token. Su contexto nativo es de 262.144 tokens. Ese espacio resulta útil para reunir varias especificaciones relacionadas, archivos de origen o extractos de investigación en una conversación y dejar sitio al razonamiento y la respuesta final del modelo. Etiqueta los documentos y bloques de código, indica qué fuentes prevalecen y señala las secciones importantes. Por ejemplo, un encargo de análisis de software puede aportar el comportamiento fallido, el esperado, las funciones pertinentes y las restricciones y pedir después una propuesta de corrección con las suposiciones enumeradas por separado.\n\nEsta es una edición de solo pensamiento. No cambia al modo sin pensamiento del modelo Qwen3 original. La plantilla oficial de chat inicia automáticamente la sección de razonamiento, por lo que una salida puede contener un marcador de cierre sin un marcador de apertura en el texto generado. El ejemplo del productor separa esa sección de razonamiento de la respuesta final. Para una tarea matemática, Qwen recomienda pedir razonamiento paso a paso y una respuesta final dentro de \\boxed{}. Para una tarea de opción múltiple, sugiere un campo de respuesta que contenga solo la letra elegida. Estas instrucciones facilitan leer o utilizar el resultado una vez terminado el razonamiento.\n\nLas orientaciones de generación de Qwen recomiendan temperature 0,6, top-p 0,95, top-k 20 y min-p 0. Recomienda un espacio de salida de 32.768 tokens para la mayoría de consultas y describe uno de 81.920 tokens para problemas matemáticos y de programación excepcionalmente exigentes. Son recomendaciones del productor para generación, no un límite de respuesta garantizado independiente. Un razonamiento más largo necesita espacio antes de la respuesta final: un presupuesto demasiado pequeño puede terminar la respuesta antes de la conclusión solicitada. En turnos posteriores de conversación, la orientación oficial conserva la respuesta final en el historial y omite el contenido de pensamiento previo.\n\nPara trabajo con agentes, Qwen recomienda Qwen-Agent, que proporciona plantillas y análisis de llamadas a herramientas. Sus ejemplos combinan herramientas definidas, como recuperación de información y un intérprete de código, con la conversación del modelo. Prepara las descripciones de herramientas disponibles, la condición de parada de la tarea y el resultado requerido antes de pedirle que planifique el uso de herramientas. Un encargo práctico de investigación puede pedir reunir evidencia especificada, comparar explicaciones rivales y devolver una conclusión con la evidencia organizada por fuente. Las llamadas a herramientas describen trabajo que debe ejecutar una aplicación; el texto del modelo por sí solo no es la acción externa ni su resultado.\n\nLa ficha oficial también describe una extensión opcional de contexto a aproximadamente un millón de tokens mediante una configuración independiente, Dual Chunk Attention y atención dispersa. Es distinta de la ventana nativa de 262.144 tokens y depende de la implementación prescrita y de recursos de memoria sustanciales. El productor advierte que las restricciones de contexto y memoria pueden exigir secuencias más cortas. Para trabajo habitual con documentos largos, organiza la entrada en torno a la pregunta real, conserva las separaciones entre documentos y solicita una síntesis final concisa que identifique la evidencia pendiente de resolver. Así se mantiene el resultado útil separado del proceso de razonamiento, potencialmente largo.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Check a constrained allocation\n\nAllocate 17 identical work units to two teams. Team A must receive at least 6 and an even number; Team B must receive at least 5. Minimize the difference between team totals. List the valid allocations nearest equality, select the best and explain why no smaller difference is possible under the parity rule.A compact allocation analysis with feasible candidates, selected totals and a checkable optimality argument.Verify the totals sum to 17, A is even, both minimums hold and the comparison includes both sides of equality.qwen/qwen3-235b-a22b-thinking-2507Qwen3-235B-A22B-Thinking-2507 es el modelo de texto de Qwen dedicado exclusivamente al razonamiento para matemáticas, ciencia, programación y análisis documental largo exigentes. Su contexto nativo de 262.144 tokens y su razonamiento extendido lo hacen adecuado para problemas que necesitan varios pasos conectados.
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-Thinking-2507 desarrolla la rama de razonamiento de Qwen3 para tareas complejas de lógica, matemáticas, ciencia y programación. Qwen también identifica seguimiento de instrucciones, uso de herramientas, generación de texto y comprensión de contexto largo como áreas mejoradas en esta edición. Recibe conversaciones textuales y genera texto. Un encargo útil aporta el problema completo, la evidencia pertinente, las restricciones y la forma precisa del resultado final: una demostración, un plan de implementación, un programa corregido o una decisión respaldada por los documentos proporcionados.
El modelo utiliza una arquitectura de mezcla de expertos con 235.000 millones de parámetros totales y 22.000 millones activados por token. Su contexto nativo es de 262.144 tokens. Ese espacio resulta útil para reunir varias especificaciones relacionadas, archivos de origen o extractos de investigación en una conversación y dejar sitio al razonamiento y la respuesta final del modelo. Etiqueta los documentos y bloques de código, indica qué fuentes prevalecen y señala las secciones importantes. Por ejemplo, un encargo de análisis de software puede aportar el comportamiento fallido, el esperado, las funciones pertinentes y las restricciones y pedir después una propuesta de corrección con las suposiciones enumeradas por separado.
Esta es una edición de solo pensamiento. No cambia al modo sin pensamiento del modelo Qwen3 original. La plantilla oficial de chat inicia automáticamente la sección de razonamiento, por lo que una salida puede contener un marcador de cierre </think> sin un marcador de apertura en el texto generado. El ejemplo del productor separa esa sección de razonamiento de la respuesta final. Para una tarea matemática, Qwen recomienda pedir razonamiento paso a paso y una respuesta final dentro de \\boxed{}. Para una tarea de opción múltiple, sugiere un campo de respuesta que contenga solo la letra elegida. Estas instrucciones facilitan leer o utilizar el resultado una vez terminado el razonamiento.
Las orientaciones de generación de Qwen recomiendan temperature 0,6, top-p 0,95, top-k 20 y min-p 0. Recomienda un espacio de salida de 32.768 tokens para la mayoría de consultas y describe uno de 81.920 tokens para problemas matemáticos y de programación excepcionalmente exigentes. Son recomendaciones del productor para generación, no un límite de respuesta garantizado independiente. Un razonamiento más largo necesita espacio antes de la respuesta final: un presupuesto demasiado pequeño puede terminar la respuesta antes de la conclusión solicitada. En turnos posteriores de conversación, la orientación oficial conserva la respuesta final en el historial y omite el contenido de pensamiento previo.
Para trabajo con agentes, Qwen recomienda Qwen-Agent, que proporciona plantillas y análisis de llamadas a herramientas. Sus ejemplos combinan herramientas definidas, como recuperación de información y un intérprete de código, con la conversación del modelo. Prepara las descripciones de herramientas disponibles, la condición de parada de la tarea y el resultado requerido antes de pedirle que planifique el uso de herramientas. Un encargo práctico de investigación puede pedir reunir evidencia especificada, comparar explicaciones rivales y devolver una conclusión con la evidencia organizada por fuente. Las llamadas a herramientas describen trabajo que debe ejecutar una aplicación; el texto del modelo por sí solo no es la acción externa ni su resultado.
La ficha oficial también describe una extensión opcional de contexto a aproximadamente un millón de tokens mediante una configuración independiente, Dual Chunk Attention y atención dispersa. Es distinta de la ventana nativa de 262.144 tokens y depende de la implementación prescrita y de recursos de memoria sustanciales. El productor advierte que las restricciones de contexto y memoria pueden exigir secuencias más cortas. Para trabajo habitual con documentos largos, organiza la entrada en torno a la pregunta real, conserva las separaciones entre documentos y solicita una síntesis final concisa que identifique la evidencia pendiente de resolver. Así se mantiene el resultado útil separado del proceso de razonamiento, potencialmente largo.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3-235b-a22b-thinking-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 $0.0009 / 1K tokens Salida · Tokens de salida $0.007 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 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 $0.0009 / 1K tokens Salida · Tokens de salida $0.007 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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-thinking-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-thinking-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-thinking-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-thinking-2507
Usa las rutas de método indicadas arriba.
qwen/qwen3-235b-a22b-thinking-2507Qwen3-235B-A22B-Thinking-2507 es el modelo de texto de Qwen dedicado exclusivamente al razonamiento para matemáticas, ciencia, programación y análisis documental largo exigentes. Su contexto nativo de 262.144 tokens y su razonamiento extendido lo hacen adecuado para problemas que necesitan varios pasos conectados.
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-Thinking-2507 desarrolla la rama de razonamiento de Qwen3 para tareas complejas de lógica, matemáticas, ciencia y programación. Qwen también identifica seguimiento de instrucciones, uso de herramientas, generación de texto y comprensión de contexto largo como áreas mejoradas en esta edición. Recibe conversaciones textuales y genera texto. Un encargo útil aporta el problema completo, la evidencia pertinente, las restricciones y la forma precisa del resultado final: una demostración, un plan de implementación, un programa corregido o una decisión respaldada por los documentos proporcionados.
El modelo utiliza una arquitectura de mezcla de expertos con 235.000 millones de parámetros totales y 22.000 millones activados por token. Su contexto nativo es de 262.144 tokens. Ese espacio resulta útil para reunir varias especificaciones relacionadas, archivos de origen o extractos de investigación en una conversación y dejar sitio al razonamiento y la respuesta final del modelo. Etiqueta los documentos y bloques de código, indica qué fuentes prevalecen y señala las secciones importantes. Por ejemplo, un encargo de análisis de software puede aportar el comportamiento fallido, el esperado, las funciones pertinentes y las restricciones y pedir después una propuesta de corrección con las suposiciones enumeradas por separado.
Esta es una edición de solo pensamiento. No cambia al modo sin pensamiento del modelo Qwen3 original. La plantilla oficial de chat inicia automáticamente la sección de razonamiento, por lo que una salida puede contener un marcador de cierre </think> sin un marcador de apertura en el texto generado. El ejemplo del productor separa esa sección de razonamiento de la respuesta final. Para una tarea matemática, Qwen recomienda pedir razonamiento paso a paso y una respuesta final dentro de \\boxed{}. Para una tarea de opción múltiple, sugiere un campo de respuesta que contenga solo la letra elegida. Estas instrucciones facilitan leer o utilizar el resultado una vez terminado el razonamiento.
Las orientaciones de generación de Qwen recomiendan temperature 0,6, top-p 0,95, top-k 20 y min-p 0. Recomienda un espacio de salida de 32.768 tokens para la mayoría de consultas y describe uno de 81.920 tokens para problemas matemáticos y de programación excepcionalmente exigentes. Son recomendaciones del productor para generación, no un límite de respuesta garantizado independiente. Un razonamiento más largo necesita espacio antes de la respuesta final: un presupuesto demasiado pequeño puede terminar la respuesta antes de la conclusión solicitada. En turnos posteriores de conversación, la orientación oficial conserva la respuesta final en el historial y omite el contenido de pensamiento previo.
Para trabajo con agentes, Qwen recomienda Qwen-Agent, que proporciona plantillas y análisis de llamadas a herramientas. Sus ejemplos combinan herramientas definidas, como recuperación de información y un intérprete de código, con la conversación del modelo. Prepara las descripciones de herramientas disponibles, la condición de parada de la tarea y el resultado requerido antes de pedirle que planifique el uso de herramientas. Un encargo práctico de investigación puede pedir reunir evidencia especificada, comparar explicaciones rivales y devolver una conclusión con la evidencia organizada por fuente. Las llamadas a herramientas describen trabajo que debe ejecutar una aplicación; el texto del modelo por sí solo no es la acción externa ni su resultado.
La ficha oficial también describe una extensión opcional de contexto a aproximadamente un millón de tokens mediante una configuración independiente, Dual Chunk Attention y atención dispersa. Es distinta de la ventana nativa de 262.144 tokens y depende de la implementación prescrita y de recursos de memoria sustanciales. El productor advierte que las restricciones de contexto y memoria pueden exigir secuencias más cortas. Para trabajo habitual con documentos largos, organiza la entrada en torno a la pregunta real, conserva las separaciones entre documentos y solicita una síntesis final concisa que identifique la evidencia pendiente de resolver. Así se mantiene el resultado útil separado del proceso de razonamiento, potencialmente largo.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3-235b-a22b-thinking-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 $0.0009 / 1K tokens Salida · Tokens de salida $0.007 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 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 $0.0009 / 1K tokens Salida · Tokens de salida $0.007 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen/qwen3-235b-a22b-thinking-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-thinking-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-thinking-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-thinking-2507
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Check a constrained allocation\n\nAllocate 17 identical work units to two teams. Team A must receive at least 6 and an even number; Team B must receive at least 5. Minimize the difference between team totals. List the valid allocations nearest equality, select the best and explain why no smaller difference is possible under the parity rule.A compact allocation analysis with feasible candidates, selected totals and a checkable optimality argument.Verify the totals sum to 17, A is even, both minimums hold and the comparison includes both sides of equality.