Aspectos destacados de Qwen3.8: razonamiento textual sostenido
Qwen3.8-2.4T-A95B es el punto de control abierto de Qwen3.8 para razonamiento textual. Qwen describe mejoras en programación, trabajo profesional, investigación y tareas de agentes a largo plazo, incluidas la planificación y el uso de retroalimentación del entorno. Acepta texto y devuelve texto. El desarrollador lo separa expresamente de la oferta gestionada Qwen3.8-Max: la entrada visual y la compatibilidad sin pensamiento son funciones adicionales de esa oferta, no capacidades de este punto de control abierto exacto.
Para una tarea de programación, proporciona los módulos pertinentes, el requisito y una entrada que ponga de manifiesto el comportamiento actual. Pide un cambio explicado y un artefacto final que se pueda inspeccionar. Para un informe de investigación o profesional, proporciona las pruebas, las secciones necesarias y los criterios de evaluación, y después pide al modelo que distinga los hallazgos respaldados de los supuestos. Son aplicaciones prácticas del ámbito de tareas documentado, no promesas de código ejecutado ni conclusiones certificadas por expertos.
Descripción general del modelo
El modelo de mezcla dispersa de expertos tiene 2.4 billones de parámetros totales y activa 95 mil millones. Tiene 92 capas y 512 expertos enrutados, de los que selecciona diez junto con un experto compartido. Sus bloques híbridos combinan Gated DeltaNet y atención con compuertas con capas de expertos, siguiendo un patrón de tres a uno. La predicción de múltiples tokens forma parte de su entrenamiento. El recuento de parámetros activados no es el tamaño completo del punto de control, y un gran recuento total no establece una garantía de tiempo de respuesta.
El contexto nativo es de 262,144 tokens, con ampliación documentada hasta 1,010,000. Esto difiere del contexto predeterminado de un millón de tokens de la referencia Max gestionada. Utiliza la capacidad de secuencia realmente configurada para el texto de origen, el historial de conversación, el razonamiento y la respuesta final, en lugar de dar por hecho que todas las cifras mayores se aplican simultáneamente.
Uso del punto de control exacto de pensamiento
El pensamiento es obligatorio en todas las interacciones y no puede desactivarse. La salida documentada comienza con un bloque de razonamiento antes del texto final. reasoning_effort admite xhigh, medium y low; xhigh es el valor predeterminado. Low reduce la profundidad prevista, pero sigue siendo un modo de pensamiento. Pedir una respuesta final concisa puede controlar el entregable deseado sin convertir este modelo en una edición sin pensamiento.
preserve_thinking está habilitado de forma predeterminada. Conservar el razonamiento de turnos anteriores ayuda a una tarea iterativa a mantener su contexto de decisiones. Mantén las correcciones, los resultados de herramientas y la respuesta final asociados a los turnos que los produjeron. Este modelo debe seguir sus propias condiciones de historial, en lugar de heredar orientaciones anteriores que eliminan todos los bloques de razonamiento de los mensajes pasados. La exposición exacta de los controles de esfuerzo y conservación depende de la interfaz que implemente la receta del punto de control.
Entornos de trabajo y retroalimentación del entorno
Qwen describe compatibilidad con entornos de desarrollo y herramientas. Una tarea sostenida puede expresarse como un objetivo, acciones permitidas y pruebas de finalización; la aplicación puede entonces proporcionar observaciones de inspección o ejecución. Pide al modelo que explique cómo cambia el plan con cada resultado nuevo y que informe de lo que sigue sin resolverse. Planificar una acción y recibir un resultado real son partes diferentes de ese flujo.
Los ejemplos Max gestionados de la ficha incluyen herramientas integradas adicionales. No deben convertirse en búsqueda web, ejecución de código ni entrada visual automáticas para este modelo abierto. Su función útil es ser un componente de razonamiento textual en un flujo conectado; las herramientas y los efectos externos corresponden a la aplicación que los proporciona.
Recomendaciones de generación
El desarrollador recomienda temperatura 1.0, top_p 0.95, top_k 20, min_p 0, penalización de presencia 0 y penalización de repetición 1.0. Cuando sea compatible, una penalización de presencia entre cero y dos puede reducir el texto repetido, pero los valores mayores pueden mezclar idiomas o reducir ligeramente la calidad. La compatibilidad de los parámetros varía según la implementación.
Para un flujo configurado de un millón de tokens con límites separados de razonamiento y respuesta final, Qwen recomienda 262,144 tokens para razonamiento y 131,072 para la respuesta final. Son capacidades condicionales, no límites estrictos establecidos por separado ni presupuestos que quepan juntos dentro del contexto nativo de 262,144 tokens. Asigna suficiente espacio para un artefacto completo y pide un resultado final fácil de localizar después del razonamiento.
Límites prácticos
Este punto de control no acepta imágenes, audio ni vídeo. Convierte las pruebas pertinentes en una representación textual adecuada mediante un flujo independiente cuando sea necesario, conservando los identificadores que permitan comprobar la respuesta. La ficha indica un contexto ampliado, pero no da una receta completa de ampliación por tarea ni un límite multimedia universal para este modelo solo de texto. Conserva la identidad y la configuración exactas del punto de control, comprueba los cálculos y las propuestas de código frente a la fuente y trata el artefacto final como un resultado que se debe revisar, en lugar de una prueba de que se ha completado toda una tarea externa.
", "aboutText": "Aspectos destacados de Qwen3.8: razonamiento textual sostenido\n\nQwen3.8-2.4T-A95B es el punto de control abierto de Qwen3.8 para razonamiento textual. Qwen describe mejoras en programación, trabajo profesional, investigación y tareas de agentes a largo plazo, incluidas la planificación y el uso de retroalimentación del entorno. Acepta texto y devuelve texto. El desarrollador lo separa expresamente de la oferta gestionada Qwen3.8-Max: la entrada visual y la compatibilidad sin pensamiento son funciones adicionales de esa oferta, no capacidades de este punto de control abierto exacto.\n\nPara una tarea de programación, proporciona los módulos pertinentes, el requisito y una entrada que ponga de manifiesto el comportamiento actual. Pide un cambio explicado y un artefacto final que se pueda inspeccionar. Para un informe de investigación o profesional, proporciona las pruebas, las secciones necesarias y los criterios de evaluación, y después pide al modelo que distinga los hallazgos respaldados de los supuestos. Son aplicaciones prácticas del ámbito de tareas documentado, no promesas de código ejecutado ni conclusiones certificadas por expertos.\n\nDescripción general del modelo\n\nEl modelo de mezcla dispersa de expertos tiene 2.4 billones de parámetros totales y activa 95 mil millones. Tiene 92 capas y 512 expertos enrutados, de los que selecciona diez junto con un experto compartido. Sus bloques híbridos combinan Gated DeltaNet y atención con compuertas con capas de expertos, siguiendo un patrón de tres a uno. La predicción de múltiples tokens forma parte de su entrenamiento. El recuento de parámetros activados no es el tamaño completo del punto de control, y un gran recuento total no establece una garantía de tiempo de respuesta.\n\nEl contexto nativo es de 262,144 tokens, con ampliación documentada hasta 1,010,000. Esto difiere del contexto predeterminado de un millón de tokens de la referencia Max gestionada. Utiliza la capacidad de secuencia realmente configurada para el texto de origen, el historial de conversación, el razonamiento y la respuesta final, en lugar de dar por hecho que todas las cifras mayores se aplican simultáneamente.\n\nUso del punto de control exacto de pensamiento\n\nEl pensamiento es obligatorio en todas las interacciones y no puede desactivarse. La salida documentada comienza con un bloque de razonamiento antes del texto final. reasoning_effort admite xhigh, medium y low; xhigh es el valor predeterminado. Low reduce la profundidad prevista, pero sigue siendo un modo de pensamiento. Pedir una respuesta final concisa puede controlar el entregable deseado sin convertir este modelo en una edición sin pensamiento.\n\npreserve_thinking está habilitado de forma predeterminada. Conservar el razonamiento de turnos anteriores ayuda a una tarea iterativa a mantener su contexto de decisiones. Mantén las correcciones, los resultados de herramientas y la respuesta final asociados a los turnos que los produjeron. Este modelo debe seguir sus propias condiciones de historial, en lugar de heredar orientaciones anteriores que eliminan todos los bloques de razonamiento de los mensajes pasados. La exposición exacta de los controles de esfuerzo y conservación depende de la interfaz que implemente la receta del punto de control.\n\nEntornos de trabajo y retroalimentación del entorno\n\nQwen describe compatibilidad con entornos de desarrollo y herramientas. Una tarea sostenida puede expresarse como un objetivo, acciones permitidas y pruebas de finalización; la aplicación puede entonces proporcionar observaciones de inspección o ejecución. Pide al modelo que explique cómo cambia el plan con cada resultado nuevo y que informe de lo que sigue sin resolverse. Planificar una acción y recibir un resultado real son partes diferentes de ese flujo.\n\nLos ejemplos Max gestionados de la ficha incluyen herramientas integradas adicionales. No deben convertirse en búsqueda web, ejecución de código ni entrada visual automáticas para este modelo abierto. Su función útil es ser un componente de razonamiento textual en un flujo conectado; las herramientas y los efectos externos corresponden a la aplicación que los proporciona.\n\nRecomendaciones de generación\n\nEl desarrollador recomienda temperatura 1.0, top_p 0.95, top_k 20, min_p 0, penalización de presencia 0 y penalización de repetición 1.0. Cuando sea compatible, una penalización de presencia entre cero y dos puede reducir el texto repetido, pero los valores mayores pueden mezclar idiomas o reducir ligeramente la calidad. La compatibilidad de los parámetros varía según la implementación.\n\nPara un flujo configurado de un millón de tokens con límites separados de razonamiento y respuesta final, Qwen recomienda 262,144 tokens para razonamiento y 131,072 para la respuesta final. Son capacidades condicionales, no límites estrictos establecidos por separado ni presupuestos que quepan juntos dentro del contexto nativo de 262,144 tokens. Asigna suficiente espacio para un artefacto completo y pide un resultado final fácil de localizar después del razonamiento.\n\nLímites prácticos\n\nEste punto de control no acepta imágenes, audio ni vídeo. Convierte las pruebas pertinentes en una representación textual adecuada mediante un flujo independiente cuando sea necesario, conservando los identificadores que permitan comprobar la respuesta. La ficha indica un contexto ampliado, pero no da una receta completa de ampliación por tarea ni un límite multimedia universal para este modelo solo de texto. Conserva la identidad y la configuración exactas del punto de control, comprueba los cálculos y las propuestas de código frente a la fuente y trata el artefacto final como un resultado que se debe revisar, en lugar de una prueba de que se ha completado toda una tarea externa.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Review a resumable migration plan\n\nReview this migration design against the requirement that every row is copied exactly once. Step 1 copies 100 rows after last_id. Step 2 saves last_id. A crash can occur between steps. Explain the duplicate risk after restart and propose a minimal idempotent write or atomic checkpoint design. Include a test that interrupts precisely between the two steps.A cause analysis, one concrete correction strategy and a crash-point regression scenario.Rerunning after the interruption cannot produce duplicate destination rows or skip uncopied source rows.qwen/qwen3.8-2.4t-a95bQwen3.8-2.4T-A95B es el modelo textual de razonamiento de Qwen con mezcla dispersa de expertos, con 2.4 billones de parámetros totales y 95 mil millones activados. Este punto de control abierto utiliza siempre pensamiento, admite un esfuerzo de razonamiento ajustable y conserva el contexto de razonamiento para tareas prolongadas de programación y trabajo profesional.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Aspectos destacados de Qwen3.8: razonamiento textual sostenido
Qwen3.8-2.4T-A95B es el punto de control abierto de Qwen3.8 para razonamiento textual. Qwen describe mejoras en programación, trabajo profesional, investigación y tareas de agentes a largo plazo, incluidas la planificación y el uso de retroalimentación del entorno. Acepta texto y devuelve texto. El desarrollador lo separa expresamente de la oferta gestionada Qwen3.8-Max: la entrada visual y la compatibilidad sin pensamiento son funciones adicionales de esa oferta, no capacidades de este punto de control abierto exacto.
Para una tarea de programación, proporciona los módulos pertinentes, el requisito y una entrada que ponga de manifiesto el comportamiento actual. Pide un cambio explicado y un artefacto final que se pueda inspeccionar. Para un informe de investigación o profesional, proporciona las pruebas, las secciones necesarias y los criterios de evaluación, y después pide al modelo que distinga los hallazgos respaldados de los supuestos. Son aplicaciones prácticas del ámbito de tareas documentado, no promesas de código ejecutado ni conclusiones certificadas por expertos.
Descripción general del modelo
El modelo de mezcla dispersa de expertos tiene 2.4 billones de parámetros totales y activa 95 mil millones. Tiene 92 capas y 512 expertos enrutados, de los que selecciona diez junto con un experto compartido. Sus bloques híbridos combinan Gated DeltaNet y atención con compuertas con capas de expertos, siguiendo un patrón de tres a uno. La predicción de múltiples tokens forma parte de su entrenamiento. El recuento de parámetros activados no es el tamaño completo del punto de control, y un gran recuento total no establece una garantía de tiempo de respuesta.
El contexto nativo es de 262,144 tokens, con ampliación documentada hasta 1,010,000. Esto difiere del contexto predeterminado de un millón de tokens de la referencia Max gestionada. Utiliza la capacidad de secuencia realmente configurada para el texto de origen, el historial de conversación, el razonamiento y la respuesta final, en lugar de dar por hecho que todas las cifras mayores se aplican simultáneamente.
Uso del punto de control exacto de pensamiento
El pensamiento es obligatorio en todas las interacciones y no puede desactivarse. La salida documentada comienza con un bloque de razonamiento antes del texto final. reasoning_effort admite xhigh, medium y low; xhigh es el valor predeterminado. Low reduce la profundidad prevista, pero sigue siendo un modo de pensamiento. Pedir una respuesta final concisa puede controlar el entregable deseado sin convertir este modelo en una edición sin pensamiento.
preserve_thinking está habilitado de forma predeterminada. Conservar el razonamiento de turnos anteriores ayuda a una tarea iterativa a mantener su contexto de decisiones. Mantén las correcciones, los resultados de herramientas y la respuesta final asociados a los turnos que los produjeron. Este modelo debe seguir sus propias condiciones de historial, en lugar de heredar orientaciones anteriores que eliminan todos los bloques de razonamiento de los mensajes pasados. La exposición exacta de los controles de esfuerzo y conservación depende de la interfaz que implemente la receta del punto de control.
Entornos de trabajo y retroalimentación del entorno
Qwen describe compatibilidad con entornos de desarrollo y herramientas. Una tarea sostenida puede expresarse como un objetivo, acciones permitidas y pruebas de finalización; la aplicación puede entonces proporcionar observaciones de inspección o ejecución. Pide al modelo que explique cómo cambia el plan con cada resultado nuevo y que informe de lo que sigue sin resolverse. Planificar una acción y recibir un resultado real son partes diferentes de ese flujo.
Los ejemplos Max gestionados de la ficha incluyen herramientas integradas adicionales. No deben convertirse en búsqueda web, ejecución de código ni entrada visual automáticas para este modelo abierto. Su función útil es ser un componente de razonamiento textual en un flujo conectado; las herramientas y los efectos externos corresponden a la aplicación que los proporciona.
Recomendaciones de generación
El desarrollador recomienda temperatura 1.0, top_p 0.95, top_k 20, min_p 0, penalización de presencia 0 y penalización de repetición 1.0. Cuando sea compatible, una penalización de presencia entre cero y dos puede reducir el texto repetido, pero los valores mayores pueden mezclar idiomas o reducir ligeramente la calidad. La compatibilidad de los parámetros varía según la implementación.
Para un flujo configurado de un millón de tokens con límites separados de razonamiento y respuesta final, Qwen recomienda 262,144 tokens para razonamiento y 131,072 para la respuesta final. Son capacidades condicionales, no límites estrictos establecidos por separado ni presupuestos que quepan juntos dentro del contexto nativo de 262,144 tokens. Asigna suficiente espacio para un artefacto completo y pide un resultado final fácil de localizar después del razonamiento.
Límites prácticos
Este punto de control no acepta imágenes, audio ni vídeo. Convierte las pruebas pertinentes en una representación textual adecuada mediante un flujo independiente cuando sea necesario, conservando los identificadores que permitan comprobar la respuesta. La ficha indica un contexto ampliado, pero no da una receta completa de ampliación por tarea ni un límite multimedia universal para este modelo solo de texto. Conserva la identidad y la configuración exactas del punto de control, comprueba los cálculos y las propuestas de código frente a la fuente y trata el artefacto final como un resultado que se debe revisar, en lugar de una prueba de que se ha completado toda una tarea externa.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3.8-2.4t-a95b | 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 $0.004 / 1K tokens Salida · Tokens de salida $0.012 / 1K tokens Entrada · Lectura de caché $0.0005 / 1K tokens Entrada · Escritura en caché $0.005 / 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 $0.004 / 1K tokens Salida · Tokens de salida $0.012 / 1K tokens Entrada · Lectura de caché $0.0005 / 1K tokens Entrada · Escritura en caché $0.005 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.8-2.4t-a95b", "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/qwen3.8-2.4t-a95b',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/qwen3.8-2.4t-a95b',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/qwen3.8-2.4t-a95b
Usa las rutas de método indicadas arriba.
qwen/qwen3.8-2.4t-a95bQwen3.8-2.4T-A95B es el modelo textual de razonamiento de Qwen con mezcla dispersa de expertos, con 2.4 billones de parámetros totales y 95 mil millones activados. Este punto de control abierto utiliza siempre pensamiento, admite un esfuerzo de razonamiento ajustable y conserva el contexto de razonamiento para tareas prolongadas de programación y trabajo profesional.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Aspectos destacados de Qwen3.8: razonamiento textual sostenido
Qwen3.8-2.4T-A95B es el punto de control abierto de Qwen3.8 para razonamiento textual. Qwen describe mejoras en programación, trabajo profesional, investigación y tareas de agentes a largo plazo, incluidas la planificación y el uso de retroalimentación del entorno. Acepta texto y devuelve texto. El desarrollador lo separa expresamente de la oferta gestionada Qwen3.8-Max: la entrada visual y la compatibilidad sin pensamiento son funciones adicionales de esa oferta, no capacidades de este punto de control abierto exacto.
Para una tarea de programación, proporciona los módulos pertinentes, el requisito y una entrada que ponga de manifiesto el comportamiento actual. Pide un cambio explicado y un artefacto final que se pueda inspeccionar. Para un informe de investigación o profesional, proporciona las pruebas, las secciones necesarias y los criterios de evaluación, y después pide al modelo que distinga los hallazgos respaldados de los supuestos. Son aplicaciones prácticas del ámbito de tareas documentado, no promesas de código ejecutado ni conclusiones certificadas por expertos.
Descripción general del modelo
El modelo de mezcla dispersa de expertos tiene 2.4 billones de parámetros totales y activa 95 mil millones. Tiene 92 capas y 512 expertos enrutados, de los que selecciona diez junto con un experto compartido. Sus bloques híbridos combinan Gated DeltaNet y atención con compuertas con capas de expertos, siguiendo un patrón de tres a uno. La predicción de múltiples tokens forma parte de su entrenamiento. El recuento de parámetros activados no es el tamaño completo del punto de control, y un gran recuento total no establece una garantía de tiempo de respuesta.
El contexto nativo es de 262,144 tokens, con ampliación documentada hasta 1,010,000. Esto difiere del contexto predeterminado de un millón de tokens de la referencia Max gestionada. Utiliza la capacidad de secuencia realmente configurada para el texto de origen, el historial de conversación, el razonamiento y la respuesta final, en lugar de dar por hecho que todas las cifras mayores se aplican simultáneamente.
Uso del punto de control exacto de pensamiento
El pensamiento es obligatorio en todas las interacciones y no puede desactivarse. La salida documentada comienza con un bloque de razonamiento antes del texto final. reasoning_effort admite xhigh, medium y low; xhigh es el valor predeterminado. Low reduce la profundidad prevista, pero sigue siendo un modo de pensamiento. Pedir una respuesta final concisa puede controlar el entregable deseado sin convertir este modelo en una edición sin pensamiento.
preserve_thinking está habilitado de forma predeterminada. Conservar el razonamiento de turnos anteriores ayuda a una tarea iterativa a mantener su contexto de decisiones. Mantén las correcciones, los resultados de herramientas y la respuesta final asociados a los turnos que los produjeron. Este modelo debe seguir sus propias condiciones de historial, en lugar de heredar orientaciones anteriores que eliminan todos los bloques de razonamiento de los mensajes pasados. La exposición exacta de los controles de esfuerzo y conservación depende de la interfaz que implemente la receta del punto de control.
Entornos de trabajo y retroalimentación del entorno
Qwen describe compatibilidad con entornos de desarrollo y herramientas. Una tarea sostenida puede expresarse como un objetivo, acciones permitidas y pruebas de finalización; la aplicación puede entonces proporcionar observaciones de inspección o ejecución. Pide al modelo que explique cómo cambia el plan con cada resultado nuevo y que informe de lo que sigue sin resolverse. Planificar una acción y recibir un resultado real son partes diferentes de ese flujo.
Los ejemplos Max gestionados de la ficha incluyen herramientas integradas adicionales. No deben convertirse en búsqueda web, ejecución de código ni entrada visual automáticas para este modelo abierto. Su función útil es ser un componente de razonamiento textual en un flujo conectado; las herramientas y los efectos externos corresponden a la aplicación que los proporciona.
Recomendaciones de generación
El desarrollador recomienda temperatura 1.0, top_p 0.95, top_k 20, min_p 0, penalización de presencia 0 y penalización de repetición 1.0. Cuando sea compatible, una penalización de presencia entre cero y dos puede reducir el texto repetido, pero los valores mayores pueden mezclar idiomas o reducir ligeramente la calidad. La compatibilidad de los parámetros varía según la implementación.
Para un flujo configurado de un millón de tokens con límites separados de razonamiento y respuesta final, Qwen recomienda 262,144 tokens para razonamiento y 131,072 para la respuesta final. Son capacidades condicionales, no límites estrictos establecidos por separado ni presupuestos que quepan juntos dentro del contexto nativo de 262,144 tokens. Asigna suficiente espacio para un artefacto completo y pide un resultado final fácil de localizar después del razonamiento.
Límites prácticos
Este punto de control no acepta imágenes, audio ni vídeo. Convierte las pruebas pertinentes en una representación textual adecuada mediante un flujo independiente cuando sea necesario, conservando los identificadores que permitan comprobar la respuesta. La ficha indica un contexto ampliado, pero no da una receta completa de ampliación por tarea ni un límite multimedia universal para este modelo solo de texto. Conserva la identidad y la configuración exactas del punto de control, comprueba los cálculos y las propuestas de código frente a la fuente y trata el artefacto final como un resultado que se debe revisar, en lugar de una prueba de que se ha completado toda una tarea externa.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3.8-2.4t-a95b | 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 $0.004 / 1K tokens Salida · Tokens de salida $0.012 / 1K tokens Entrada · Lectura de caché $0.0005 / 1K tokens Entrada · Escritura en caché $0.005 / 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 $0.004 / 1K tokens Salida · Tokens de salida $0.012 / 1K tokens Entrada · Lectura de caché $0.0005 / 1K tokens Entrada · Escritura en caché $0.005 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen/qwen3.8-2.4t-a95b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.8-2.4t-a95b', '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/qwen3.8-2.4t-a95b', '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/qwen3.8-2.4t-a95b
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Review a resumable migration plan\n\nReview this migration design against the requirement that every row is copied exactly once. Step 1 copies 100 rows after last_id. Step 2 saves last_id. A crash can occur between steps. Explain the duplicate risk after restart and propose a minimal idempotent write or atomic checkpoint design. Include a test that interrupts precisely between the two steps.A cause analysis, one concrete correction strategy and a crash-point regression scenario.Rerunning after the interruption cannot produce duplicate destination rows or skip uncopied source rows.