Aspectos destacados de Qwen3-Next: instrucciones textuales directas
Qwen3-Next-80B-A3B-Instruct es la edición textual de instrucciones sin pensamiento de Qwen3-Next. Acepta texto y devuelve texto, incluidas explicaciones, propuestas de código y artefactos documentales solicitados. No genera bloques explícitos de pensamiento. Mantén su distinción frente a la edición Thinking y a Qwen3-Coder-Next, especializado en programación; compartir una arquitectura de familia no hace intercambiables sus condiciones de respuesta.
La familia introduce atención híbrida que combina Gated DeltaNet y atención con compuertas, expertos de alta dispersión, optimizaciones de estabilidad que incluyen normalización de capas centrada en cero y con decaimiento de pesos, y predicción de múltiples tokens. Esos cambios abordan la representación y el entrenamiento de secuencias largas. Su eficiencia de inferencia depende de la implementación, por lo que las cifras de arquitectura no deben convertirse en una garantía fija de latencia o rendimiento de procesamiento.
Descripción general del modelo
El punto de control tiene 80 mil millones de parámetros en total y activa tres mil millones. Tiene 48 capas con un patrón repetido de expertos de tres DeltaNet por una de atención con compuertas. El desarrollador indica 512 expertos, diez expertos activados y un experto compartido, con preentrenamiento sobre 15 billones de tokens seguido de posentrenamiento. Los parámetros activados no son el tamaño del punto de control completo.
El contexto nativo es de 262,144 tokens, con ampliación documentada a 1,010,000. Los ejemplos de despliegue del desarrollador permiten un contexto menor, como 32,768, cuando las restricciones de recursos impiden que funcione el ajuste mayor. El texto, el historial de conversación, las observaciones de herramientas y el contenido generado comparten la capacidad de secuencia configurada. La ampliación es una vía de configuración adicional, en lugar de una entrada ilimitada predeterminada.
Uso de la interfaz de instrucciones
Este modelo admite únicamente el modo de instrucciones sin pensamiento. Puede explicar un algoritmo, mostrar cálculos o justificar una conclusión en texto normal sin producir un bloque de pensamiento específico. Pide el formato y los límites del artefacto: una función completa, un informe conciso, una tabla de pruebas o una respuesta con pasos de apoyo. Pedir una explicación larga no lo convierte en el punto de control Thinking con nombre propio.
Para una tarea documental, conserva los identificadores de sección y define las preguntas que debe responder el informe. Para código, proporciona la función o módulo pertinente, las restricciones de entrada y la salida esperada. Para matemáticas, presenta el enunciado completo y pide un resultado final delimitado. Compara los cálculos, el código o la explicación devueltos con las condiciones proporcionadas y los resultados reales.
Implementación y herramientas
El desarrollador documenta llamadas a herramientas y recomienda Qwen-Agent para plantillas y análisis sintáctico, con herramientas configuradas o conectadas mediante MCP. Un flujo conectado puede proporcionar recuperación, inspección o ejecución permitida y devolver observaciones reales. Indica las herramientas, las acciones permitidas y las condiciones visibles de finalización, y después pide que el informe final distinga las propuestas de los resultados reales devueltos.
La predicción de múltiples tokens forma parte del entrenamiento, pero su uso en inferencia depende de la implementación y no está disponible de forma general en todos los flujos ligeros. Una plantilla o función de arquitectura no establece por sí misma acceso a fuentes actuales, archivos o un entorno de código. Conserva el modelo exacto y el formato de conversación utilizados por la interfaz elegida.
Texto ultralargo
El desarrollador valida un contexto de aproximadamente un millón de tokens con YaRN y da una receta de factor cuatro basada en 262,144 posiciones nativas. Para cargas de 524,288 tokens, sugiere un factor de dos. El escalado estático puede reducir el rendimiento con textos más cortos, por lo que la configuración debe responder a la necesidad real de una entrada más larga.
Mantén el material largo organizado por documento, ruta de código o sección y elimina las repeticiones no relacionadas. Pide que la respuesta identifique los pasajes o condiciones que la respaldan. Reserva espacio para la respuesta, en lugar de tratar la cifra mayor de contexto como recuerdo completo de todos los detalles proporcionados. La cifra publicada de ampliación de 1,010,000 y la validación en torno a un millón siguen limitadas al ámbito del flujo de contexto largo del desarrollador.
Orientación de generación
Las buenas prácticas recomiendan temperatura 0.7, top_p 0.8, top_k 20 y min_p 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. El desarrollador recomienda una capacidad de salida de 16,384 tokens para la mayoría de las consultas. Es un presupuesto recomendado de generación, en lugar de un máximo estricto independiente; no debe heredar las capacidades mayores de la edición Thinking.
Especifica expresamente la forma del resultado, como un delimitador matemático o un campo de respuesta. Mantén el artefacto final fácil de inspeccionar y verifica sus cálculos, citas o código frente a la fuente. Esta edición solo de texto no acepta imágenes, audio o vídeo como entrada propia, por lo que esos materiales necesitan una representación independiente adecuada antes de poder respaldar la tarea.
Resultado práctico
La salida útil es un artefacto textual concreto fundamentado en las condiciones proporcionadas: una explicación documental, una propuesta de código o una respuesta directa con el detalle de apoyo requerido. El contexto largo y las llamadas a herramientas pueden ayudar a mantener más pruebas durante un flujo, mientras que las condiciones sin pensamiento mantienen claro el estilo de salida de esta edición exacta. Comprueba el resultado en el entorno real de la tarea, en lugar de inferir su corrección a partir de su extensión o una redacción segura.
", "aboutText": "Aspectos destacados de Qwen3-Next: instrucciones textuales directas\n\nQwen3-Next-80B-A3B-Instruct es la edición textual de instrucciones sin pensamiento de Qwen3-Next. Acepta texto y devuelve texto, incluidas explicaciones, propuestas de código y artefactos documentales solicitados. No genera bloques explícitos de pensamiento. Mantén su distinción frente a la edición Thinking y a Qwen3-Coder-Next, especializado en programación; compartir una arquitectura de familia no hace intercambiables sus condiciones de respuesta.\n\nLa familia introduce atención híbrida que combina Gated DeltaNet y atención con compuertas, expertos de alta dispersión, optimizaciones de estabilidad que incluyen normalización de capas centrada en cero y con decaimiento de pesos, y predicción de múltiples tokens. Esos cambios abordan la representación y el entrenamiento de secuencias largas. Su eficiencia de inferencia depende de la implementación, por lo que las cifras de arquitectura no deben convertirse en una garantía fija de latencia o rendimiento de procesamiento.\n\nDescripción general del modelo\n\nEl punto de control tiene 80 mil millones de parámetros en total y activa tres mil millones. Tiene 48 capas con un patrón repetido de expertos de tres DeltaNet por una de atención con compuertas. El desarrollador indica 512 expertos, diez expertos activados y un experto compartido, con preentrenamiento sobre 15 billones de tokens seguido de posentrenamiento. Los parámetros activados no son el tamaño del punto de control completo.\n\nEl contexto nativo es de 262,144 tokens, con ampliación documentada a 1,010,000. Los ejemplos de despliegue del desarrollador permiten un contexto menor, como 32,768, cuando las restricciones de recursos impiden que funcione el ajuste mayor. El texto, el historial de conversación, las observaciones de herramientas y el contenido generado comparten la capacidad de secuencia configurada. La ampliación es una vía de configuración adicional, en lugar de una entrada ilimitada predeterminada.\n\nUso de la interfaz de instrucciones\n\nEste modelo admite únicamente el modo de instrucciones sin pensamiento. Puede explicar un algoritmo, mostrar cálculos o justificar una conclusión en texto normal sin producir un bloque de pensamiento específico. Pide el formato y los límites del artefacto: una función completa, un informe conciso, una tabla de pruebas o una respuesta con pasos de apoyo. Pedir una explicación larga no lo convierte en el punto de control Thinking con nombre propio.\n\nPara una tarea documental, conserva los identificadores de sección y define las preguntas que debe responder el informe. Para código, proporciona la función o módulo pertinente, las restricciones de entrada y la salida esperada. Para matemáticas, presenta el enunciado completo y pide un resultado final delimitado. Compara los cálculos, el código o la explicación devueltos con las condiciones proporcionadas y los resultados reales.\n\nImplementación y herramientas\n\nEl desarrollador documenta llamadas a herramientas y recomienda Qwen-Agent para plantillas y análisis sintáctico, con herramientas configuradas o conectadas mediante MCP. Un flujo conectado puede proporcionar recuperación, inspección o ejecución permitida y devolver observaciones reales. Indica las herramientas, las acciones permitidas y las condiciones visibles de finalización, y después pide que el informe final distinga las propuestas de los resultados reales devueltos.\n\nLa predicción de múltiples tokens forma parte del entrenamiento, pero su uso en inferencia depende de la implementación y no está disponible de forma general en todos los flujos ligeros. Una plantilla o función de arquitectura no establece por sí misma acceso a fuentes actuales, archivos o un entorno de código. Conserva el modelo exacto y el formato de conversación utilizados por la interfaz elegida.\n\nTexto ultralargo\n\nEl desarrollador valida un contexto de aproximadamente un millón de tokens con YaRN y da una receta de factor cuatro basada en 262,144 posiciones nativas. Para cargas de 524,288 tokens, sugiere un factor de dos. El escalado estático puede reducir el rendimiento con textos más cortos, por lo que la configuración debe responder a la necesidad real de una entrada más larga.\n\nMantén el material largo organizado por documento, ruta de código o sección y elimina las repeticiones no relacionadas. Pide que la respuesta identifique los pasajes o condiciones que la respaldan. Reserva espacio para la respuesta, en lugar de tratar la cifra mayor de contexto como recuerdo completo de todos los detalles proporcionados. La cifra publicada de ampliación de 1,010,000 y la validación en torno a un millón siguen limitadas al ámbito del flujo de contexto largo del desarrollador.\n\nOrientación de generación\n\nLas buenas prácticas recomiendan temperatura 0.7, top_p 0.8, top_k 20 y min_p 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. El desarrollador recomienda una capacidad de salida de 16,384 tokens para la mayoría de las consultas. Es un presupuesto recomendado de generación, en lugar de un máximo estricto independiente; no debe heredar las capacidades mayores de la edición Thinking.\n\nEspecifica expresamente la forma del resultado, como un delimitador matemático o un campo de respuesta. Mantén el artefacto final fácil de inspeccionar y verifica sus cálculos, citas o código frente a la fuente. Esta edición solo de texto no acepta imágenes, audio o vídeo como entrada propia, por lo que esos materiales necesitan una representación independiente adecuada antes de poder respaldar la tarea.\n\nResultado práctico\n\nLa salida útil es un artefacto textual concreto fundamentado en las condiciones proporcionadas: una explicación documental, una propuesta de código o una respuesta directa con el detalle de apoyo requerido. El contexto largo y las llamadas a herramientas pueden ayudar a mantener más pruebas durante un flujo, mientras que las condiciones sin pensamiento mantienen claro el estilo de salida de esta edición exacta. Comprueba el resultado en el entorno real de la tarea, en lugar de inferir su corrección a partir de su extensión o una redacción segura.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Explain a section-specific decision\n\nAnswer only from these procedure sections. Section 2: standard purchases need a manager's approval. Section 4: emergency safety purchases may proceed first, but must be reported to that manager within one day. Case: a broken emergency exit light needs replacement today. Give a concise recommendation with section references and identify the follow-up obligation. Do not invent an approval already granted.A direct recommendation with supporting sections and the one-day reporting obligation.The emergency exception retains its reporting condition and is not generalised to all purchases.qwen/qwen3-next-80b-a3b-instructQwen3-Next-80B-A3B-Instruct es la edición textual sin pensamiento de Qwen, con 80 mil millones de parámetros totales y 3 mil millones activados. Combina atención híbrida, expertos dispersos y llamadas a herramientas con un contexto nativo de 262,144 tokens, ampliable a 1,010,000 mediante configuración.
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-Next: instrucciones textuales directas
Qwen3-Next-80B-A3B-Instruct es la edición textual de instrucciones sin pensamiento de Qwen3-Next. Acepta texto y devuelve texto, incluidas explicaciones, propuestas de código y artefactos documentales solicitados. No genera bloques explícitos de pensamiento. Mantén su distinción frente a la edición Thinking y a Qwen3-Coder-Next, especializado en programación; compartir una arquitectura de familia no hace intercambiables sus condiciones de respuesta.
La familia introduce atención híbrida que combina Gated DeltaNet y atención con compuertas, expertos de alta dispersión, optimizaciones de estabilidad que incluyen normalización de capas centrada en cero y con decaimiento de pesos, y predicción de múltiples tokens. Esos cambios abordan la representación y el entrenamiento de secuencias largas. Su eficiencia de inferencia depende de la implementación, por lo que las cifras de arquitectura no deben convertirse en una garantía fija de latencia o rendimiento de procesamiento.
Descripción general del modelo
El punto de control tiene 80 mil millones de parámetros en total y activa tres mil millones. Tiene 48 capas con un patrón repetido de expertos de tres DeltaNet por una de atención con compuertas. El desarrollador indica 512 expertos, diez expertos activados y un experto compartido, con preentrenamiento sobre 15 billones de tokens seguido de posentrenamiento. Los parámetros activados no son el tamaño del punto de control completo.
El contexto nativo es de 262,144 tokens, con ampliación documentada a 1,010,000. Los ejemplos de despliegue del desarrollador permiten un contexto menor, como 32,768, cuando las restricciones de recursos impiden que funcione el ajuste mayor. El texto, el historial de conversación, las observaciones de herramientas y el contenido generado comparten la capacidad de secuencia configurada. La ampliación es una vía de configuración adicional, en lugar de una entrada ilimitada predeterminada.
Uso de la interfaz de instrucciones
Este modelo admite únicamente el modo de instrucciones sin pensamiento. Puede explicar un algoritmo, mostrar cálculos o justificar una conclusión en texto normal sin producir un bloque de pensamiento específico. Pide el formato y los límites del artefacto: una función completa, un informe conciso, una tabla de pruebas o una respuesta con pasos de apoyo. Pedir una explicación larga no lo convierte en el punto de control Thinking con nombre propio.
Para una tarea documental, conserva los identificadores de sección y define las preguntas que debe responder el informe. Para código, proporciona la función o módulo pertinente, las restricciones de entrada y la salida esperada. Para matemáticas, presenta el enunciado completo y pide un resultado final delimitado. Compara los cálculos, el código o la explicación devueltos con las condiciones proporcionadas y los resultados reales.
Implementación y herramientas
El desarrollador documenta llamadas a herramientas y recomienda Qwen-Agent para plantillas y análisis sintáctico, con herramientas configuradas o conectadas mediante MCP. Un flujo conectado puede proporcionar recuperación, inspección o ejecución permitida y devolver observaciones reales. Indica las herramientas, las acciones permitidas y las condiciones visibles de finalización, y después pide que el informe final distinga las propuestas de los resultados reales devueltos.
La predicción de múltiples tokens forma parte del entrenamiento, pero su uso en inferencia depende de la implementación y no está disponible de forma general en todos los flujos ligeros. Una plantilla o función de arquitectura no establece por sí misma acceso a fuentes actuales, archivos o un entorno de código. Conserva el modelo exacto y el formato de conversación utilizados por la interfaz elegida.
Texto ultralargo
El desarrollador valida un contexto de aproximadamente un millón de tokens con YaRN y da una receta de factor cuatro basada en 262,144 posiciones nativas. Para cargas de 524,288 tokens, sugiere un factor de dos. El escalado estático puede reducir el rendimiento con textos más cortos, por lo que la configuración debe responder a la necesidad real de una entrada más larga.
Mantén el material largo organizado por documento, ruta de código o sección y elimina las repeticiones no relacionadas. Pide que la respuesta identifique los pasajes o condiciones que la respaldan. Reserva espacio para la respuesta, en lugar de tratar la cifra mayor de contexto como recuerdo completo de todos los detalles proporcionados. La cifra publicada de ampliación de 1,010,000 y la validación en torno a un millón siguen limitadas al ámbito del flujo de contexto largo del desarrollador.
Orientación de generación
Las buenas prácticas recomiendan temperatura 0.7, top_p 0.8, top_k 20 y min_p 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. El desarrollador recomienda una capacidad de salida de 16,384 tokens para la mayoría de las consultas. Es un presupuesto recomendado de generación, en lugar de un máximo estricto independiente; no debe heredar las capacidades mayores de la edición Thinking.
Especifica expresamente la forma del resultado, como un delimitador matemático o un campo de respuesta. Mantén el artefacto final fácil de inspeccionar y verifica sus cálculos, citas o código frente a la fuente. Esta edición solo de texto no acepta imágenes, audio o vídeo como entrada propia, por lo que esos materiales necesitan una representación independiente adecuada antes de poder respaldar la tarea.
Resultado práctico
La salida útil es un artefacto textual concreto fundamentado en las condiciones proporcionadas: una explicación documental, una propuesta de código o una respuesta directa con el detalle de apoyo requerido. El contexto largo y las llamadas a herramientas pueden ayudar a mantener más pruebas durante un flujo, mientras que las condiciones sin pensamiento mantienen claro el estilo de salida de esta edición exacta. Comprueba el resultado en el entorno real de la tarea, en lugar de inferir su corrección a partir de su extensión o una redacción segura.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3-next-80b-a3b-instruct | 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 $0.000286 / 1K tokens Salida · Tokens de salida $0.0022 / 1K tokens Entrada · Lectura de caché $0.00014 / 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 $0.000286 / 1K tokens Salida · Tokens de salida $0.0022 / 1K tokens Entrada · Lectura de caché $0.00014 / 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-next-80b-a3b-instruct", "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-next-80b-a3b-instruct',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-next-80b-a3b-instruct',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-next-80b-a3b-instruct
Usa las rutas de método indicadas arriba.
qwen/qwen3-next-80b-a3b-instructQwen3-Next-80B-A3B-Instruct es la edición textual sin pensamiento de Qwen, con 80 mil millones de parámetros totales y 3 mil millones activados. Combina atención híbrida, expertos dispersos y llamadas a herramientas con un contexto nativo de 262,144 tokens, ampliable a 1,010,000 mediante configuración.
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-Next: instrucciones textuales directas
Qwen3-Next-80B-A3B-Instruct es la edición textual de instrucciones sin pensamiento de Qwen3-Next. Acepta texto y devuelve texto, incluidas explicaciones, propuestas de código y artefactos documentales solicitados. No genera bloques explícitos de pensamiento. Mantén su distinción frente a la edición Thinking y a Qwen3-Coder-Next, especializado en programación; compartir una arquitectura de familia no hace intercambiables sus condiciones de respuesta.
La familia introduce atención híbrida que combina Gated DeltaNet y atención con compuertas, expertos de alta dispersión, optimizaciones de estabilidad que incluyen normalización de capas centrada en cero y con decaimiento de pesos, y predicción de múltiples tokens. Esos cambios abordan la representación y el entrenamiento de secuencias largas. Su eficiencia de inferencia depende de la implementación, por lo que las cifras de arquitectura no deben convertirse en una garantía fija de latencia o rendimiento de procesamiento.
Descripción general del modelo
El punto de control tiene 80 mil millones de parámetros en total y activa tres mil millones. Tiene 48 capas con un patrón repetido de expertos de tres DeltaNet por una de atención con compuertas. El desarrollador indica 512 expertos, diez expertos activados y un experto compartido, con preentrenamiento sobre 15 billones de tokens seguido de posentrenamiento. Los parámetros activados no son el tamaño del punto de control completo.
El contexto nativo es de 262,144 tokens, con ampliación documentada a 1,010,000. Los ejemplos de despliegue del desarrollador permiten un contexto menor, como 32,768, cuando las restricciones de recursos impiden que funcione el ajuste mayor. El texto, el historial de conversación, las observaciones de herramientas y el contenido generado comparten la capacidad de secuencia configurada. La ampliación es una vía de configuración adicional, en lugar de una entrada ilimitada predeterminada.
Uso de la interfaz de instrucciones
Este modelo admite únicamente el modo de instrucciones sin pensamiento. Puede explicar un algoritmo, mostrar cálculos o justificar una conclusión en texto normal sin producir un bloque de pensamiento específico. Pide el formato y los límites del artefacto: una función completa, un informe conciso, una tabla de pruebas o una respuesta con pasos de apoyo. Pedir una explicación larga no lo convierte en el punto de control Thinking con nombre propio.
Para una tarea documental, conserva los identificadores de sección y define las preguntas que debe responder el informe. Para código, proporciona la función o módulo pertinente, las restricciones de entrada y la salida esperada. Para matemáticas, presenta el enunciado completo y pide un resultado final delimitado. Compara los cálculos, el código o la explicación devueltos con las condiciones proporcionadas y los resultados reales.
Implementación y herramientas
El desarrollador documenta llamadas a herramientas y recomienda Qwen-Agent para plantillas y análisis sintáctico, con herramientas configuradas o conectadas mediante MCP. Un flujo conectado puede proporcionar recuperación, inspección o ejecución permitida y devolver observaciones reales. Indica las herramientas, las acciones permitidas y las condiciones visibles de finalización, y después pide que el informe final distinga las propuestas de los resultados reales devueltos.
La predicción de múltiples tokens forma parte del entrenamiento, pero su uso en inferencia depende de la implementación y no está disponible de forma general en todos los flujos ligeros. Una plantilla o función de arquitectura no establece por sí misma acceso a fuentes actuales, archivos o un entorno de código. Conserva el modelo exacto y el formato de conversación utilizados por la interfaz elegida.
Texto ultralargo
El desarrollador valida un contexto de aproximadamente un millón de tokens con YaRN y da una receta de factor cuatro basada en 262,144 posiciones nativas. Para cargas de 524,288 tokens, sugiere un factor de dos. El escalado estático puede reducir el rendimiento con textos más cortos, por lo que la configuración debe responder a la necesidad real de una entrada más larga.
Mantén el material largo organizado por documento, ruta de código o sección y elimina las repeticiones no relacionadas. Pide que la respuesta identifique los pasajes o condiciones que la respaldan. Reserva espacio para la respuesta, en lugar de tratar la cifra mayor de contexto como recuerdo completo de todos los detalles proporcionados. La cifra publicada de ampliación de 1,010,000 y la validación en torno a un millón siguen limitadas al ámbito del flujo de contexto largo del desarrollador.
Orientación de generación
Las buenas prácticas recomiendan temperatura 0.7, top_p 0.8, top_k 20 y min_p 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. El desarrollador recomienda una capacidad de salida de 16,384 tokens para la mayoría de las consultas. Es un presupuesto recomendado de generación, en lugar de un máximo estricto independiente; no debe heredar las capacidades mayores de la edición Thinking.
Especifica expresamente la forma del resultado, como un delimitador matemático o un campo de respuesta. Mantén el artefacto final fácil de inspeccionar y verifica sus cálculos, citas o código frente a la fuente. Esta edición solo de texto no acepta imágenes, audio o vídeo como entrada propia, por lo que esos materiales necesitan una representación independiente adecuada antes de poder respaldar la tarea.
Resultado práctico
La salida útil es un artefacto textual concreto fundamentado en las condiciones proporcionadas: una explicación documental, una propuesta de código o una respuesta directa con el detalle de apoyo requerido. El contexto largo y las llamadas a herramientas pueden ayudar a mantener más pruebas durante un flujo, mientras que las condiciones sin pensamiento mantienen claro el estilo de salida de esta edición exacta. Comprueba el resultado en el entorno real de la tarea, en lugar de inferir su corrección a partir de su extensión o una redacción segura.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3-next-80b-a3b-instruct | 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 $0.000286 / 1K tokens Salida · Tokens de salida $0.0022 / 1K tokens Entrada · Lectura de caché $0.00014 / 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 $0.000286 / 1K tokens Salida · Tokens de salida $0.0022 / 1K tokens Entrada · Lectura de caché $0.00014 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen/qwen3-next-80b-a3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-next-80b-a3b-instruct', '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-next-80b-a3b-instruct', '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-next-80b-a3b-instruct
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Explain a section-specific decision\n\nAnswer only from these procedure sections. Section 2: standard purchases need a manager's approval. Section 4: emergency safety purchases may proceed first, but must be reported to that manager within one day. Case: a broken emergency exit light needs replacement today. Give a concise recommendation with section references and identify the follow-up obligation. Do not invent an approval already granted.A direct recommendation with supporting sections and the one-day reporting obligation.The emergency exception retains its reporting condition and is not generalised to all purchases.