Qwen3-235B-A22B lleva el enfoque de razonamiento híbrido de Qwen3 a un modelo grande de mezcla de expertos. Sus capacidades textuales abarcan problemas matemáticos y lógicos, generación de código, escritura creativa, conversaciones basadas en roles y seguimiento de instrucciones en varios turnos. Trabaja en más de 100 idiomas y dialectos. Para una conversación sobre desarrollo de producto, proporciona los requisitos, un ejemplo concreto y la decisión que necesitas: una comparación de diseños, una implementación o una explicación utilizable por un público determinado.
El modelo tiene 235 mil millones de parámetros en total y activa 22 mil millones durante el procesamiento. Su arquitectura contiene 128 expertos, selecciona ocho de ellos y tiene 94 capas. Estas cifras identifican esta versión; los modelos Qwen3 más pequeños y la edición FP8 tienen identidades independientes. La entrada y la salida son texto. Una tarea de ingeniería adecuada consiste en comparar dos algoritmos de conciliación utilizando los mismos registros de ejemplo, identificar las restricciones que satisface cada uno y devolver el algoritmo elegido con casos de prueba. Facilita los nombres reales de campos, las reglas de tratamiento de duplicados y los totales esperados para poder comprobar la respuesta frente al problema original.
Prepara la petición como mensajes de conversación, manteniendo el material de referencia separado de las instrucciones. Para una pregunta matemática, incluye el enunciado completo, las suposiciones permitidas y la notación; después pide una respuesta final en una forma especificada. Para código, incluye la función pertinente, el lenguaje, una entrada representativa y el fallo observado. Pide el cambio justificado más pequeño y describe qué comportamiento existente debe conservarse. Para redacción multilingüe, facilita el público y una lista de términos en lugar de pedir una traducción genérica. La integración publicada espera un entorno de ejecución compatible con Qwen3; la ficha advierte de que las versiones de Transformers anteriores a 4.51.0 no reconocen la arquitectura requerida.
El pensamiento y la ausencia de pensamiento son modos de este mismo modelo. La plantilla de conversación del fabricante activa el pensamiento por defecto; un control puede forzar su desactivación. Cuando el pensamiento sigue activado, /think y /no_think ofrecen control por turno, con prioridad para la instrucción más reciente. Si se fuerza la desactivación del pensamiento, el modo no responde a esas instrucciones de turno. En una interfaz de desarrollo, mantén diferenciada la respuesta final de la sección de razonamiento y traslada la respuesta final al historial posterior de conversación. Elige el modo deliberadamente: una disputa sobre algoritmos y una reescritura corta necesitan distintas cantidades de análisis. Con el pensamiento activado, incluso una instrucción de turno para responder sin pensamiento conserva un bloque de razonamiento; su contenido puede estar vacío. La desactivación forzada elimina ese bloque.
Para flujos de agentes, el fabricante recomienda Qwen-Agent para plantillas de herramientas y análisis sintáctico de sus llamadas. Las herramientas pueden incluir servicios conectados o un intérprete de código; la aplicación las define y ejecuta. Por ejemplo, da a un asistente una consulta de inventario de solo lectura con campos documentados y pídele que compare las existencias devueltas con el pedido proporcionado. Define la finalidad de la herramienta, los argumentos aceptados, la forma del resultado y el límite de permisos. Exige que la respuesta final diferencie una acción propuesta de un resultado confirmado de herramienta. Las capacidades del modelo relacionadas con herramientas no provocan por sí solas una acción externa. La guía Qwen3 también describe llamadas a herramientas paralelas y de varios pasos, con argumentos representados como objetos y resultados devueltos a la conversación.
El contexto nativo es de 32,768 tokens. El fabricante valida 131,072 tokens con ampliación YaRN; esto depende de la configuración y el escalado estático puede afectar a entradas más cortas. El presupuesto de contexto incluye tanto la petición como la respuesta generada. Para una especificación larga, identifica las secciones pertinentes para la decisión, etiquétalas y reserva espacio para la respuesta en lugar de llenar todo el presupuesto con texto de referencia. La ficha recomienda 32,768 tokens de salida para la mayoría de consultas en lugar de declarar ese valor como límite universal del servicio. La documentación Qwen3 trata longitudes de mensajes del asistente de 38,912 tokens en modo de pensamiento y 16,384 en modo sin pensamiento en su explicación de la longitud de entrenamiento, y recomienda evaluar la calidad de generaciones más largas. Estas cifras son distintas de la ventana global de contexto y no son un límite fijo específico de un endpoint. La ficha también explica su asignación posicional predeterminada de 40,960 tokens como 8,192 para instrucciones típicas más 32,768 de salida; son indicaciones de configuración del fabricante, separadas del contexto nativo de entrenamiento y de cualquier límite del endpoint.
El muestreo recomendado en modo de pensamiento es temperature 0.6, top-p 0.95, top-k 20 y min-p 0; el modo sin pensamiento utiliza 0.7, 0.8, 20 y 0. El fabricante recomienda decodificación por muestreo y advierte de que la decodificación voraz en modo de pensamiento puede provocar repetición. Las penalizaciones de presencia más altas también pueden introducir mezcla de idiomas. Facilita la inspección del resultado: pide un campo identificado de respuesta final, una tabla de decisión con razones o un parche de código con ejemplos. Comprueba los cálculos frente a los números proporcionados, ejecuta el código propuesto en el entorno previsto y revisa los resultados de herramientas antes de actuar.
", "aboutText": "Qwen3-235B-A22B lleva el enfoque de razonamiento híbrido de Qwen3 a un modelo grande de mezcla de expertos. Sus capacidades textuales abarcan problemas matemáticos y lógicos, generación de código, escritura creativa, conversaciones basadas en roles y seguimiento de instrucciones en varios turnos. Trabaja en más de 100 idiomas y dialectos. Para una conversación sobre desarrollo de producto, proporciona los requisitos, un ejemplo concreto y la decisión que necesitas: una comparación de diseños, una implementación o una explicación utilizable por un público determinado.\n\nEl modelo tiene 235 mil millones de parámetros en total y activa 22 mil millones durante el procesamiento. Su arquitectura contiene 128 expertos, selecciona ocho de ellos y tiene 94 capas. Estas cifras identifican esta versión; los modelos Qwen3 más pequeños y la edición FP8 tienen identidades independientes. La entrada y la salida son texto. Una tarea de ingeniería adecuada consiste en comparar dos algoritmos de conciliación utilizando los mismos registros de ejemplo, identificar las restricciones que satisface cada uno y devolver el algoritmo elegido con casos de prueba. Facilita los nombres reales de campos, las reglas de tratamiento de duplicados y los totales esperados para poder comprobar la respuesta frente al problema original.\n\nPrepara la petición como mensajes de conversación, manteniendo el material de referencia separado de las instrucciones. Para una pregunta matemática, incluye el enunciado completo, las suposiciones permitidas y la notación; después pide una respuesta final en una forma especificada. Para código, incluye la función pertinente, el lenguaje, una entrada representativa y el fallo observado. Pide el cambio justificado más pequeño y describe qué comportamiento existente debe conservarse. Para redacción multilingüe, facilita el público y una lista de términos en lugar de pedir una traducción genérica. La integración publicada espera un entorno de ejecución compatible con Qwen3; la ficha advierte de que las versiones de Transformers anteriores a 4.51.0 no reconocen la arquitectura requerida.\n\nEl pensamiento y la ausencia de pensamiento son modos de este mismo modelo. La plantilla de conversación del fabricante activa el pensamiento por defecto; un control puede forzar su desactivación. Cuando el pensamiento sigue activado, /think y /no_think ofrecen control por turno, con prioridad para la instrucción más reciente. Si se fuerza la desactivación del pensamiento, el modo no responde a esas instrucciones de turno. En una interfaz de desarrollo, mantén diferenciada la respuesta final de la sección de razonamiento y traslada la respuesta final al historial posterior de conversación. Elige el modo deliberadamente: una disputa sobre algoritmos y una reescritura corta necesitan distintas cantidades de análisis. Con el pensamiento activado, incluso una instrucción de turno para responder sin pensamiento conserva un bloque de razonamiento; su contenido puede estar vacío. La desactivación forzada elimina ese bloque.\n\nPara flujos de agentes, el fabricante recomienda Qwen-Agent para plantillas de herramientas y análisis sintáctico de sus llamadas. Las herramientas pueden incluir servicios conectados o un intérprete de código; la aplicación las define y ejecuta. Por ejemplo, da a un asistente una consulta de inventario de solo lectura con campos documentados y pídele que compare las existencias devueltas con el pedido proporcionado. Define la finalidad de la herramienta, los argumentos aceptados, la forma del resultado y el límite de permisos. Exige que la respuesta final diferencie una acción propuesta de un resultado confirmado de herramienta. Las capacidades del modelo relacionadas con herramientas no provocan por sí solas una acción externa. La guía Qwen3 también describe llamadas a herramientas paralelas y de varios pasos, con argumentos representados como objetos y resultados devueltos a la conversación.\n\nEl contexto nativo es de 32,768 tokens. El fabricante valida 131,072 tokens con ampliación YaRN; esto depende de la configuración y el escalado estático puede afectar a entradas más cortas. El presupuesto de contexto incluye tanto la petición como la respuesta generada. Para una especificación larga, identifica las secciones pertinentes para la decisión, etiquétalas y reserva espacio para la respuesta en lugar de llenar todo el presupuesto con texto de referencia. La ficha recomienda 32,768 tokens de salida para la mayoría de consultas en lugar de declarar ese valor como límite universal del servicio. La documentación Qwen3 trata longitudes de mensajes del asistente de 38,912 tokens en modo de pensamiento y 16,384 en modo sin pensamiento en su explicación de la longitud de entrenamiento, y recomienda evaluar la calidad de generaciones más largas. Estas cifras son distintas de la ventana global de contexto y no son un límite fijo específico de un endpoint. La ficha también explica su asignación posicional predeterminada de 40,960 tokens como 8,192 para instrucciones típicas más 32,768 de salida; son indicaciones de configuración del fabricante, separadas del contexto nativo de entrenamiento y de cualquier límite del endpoint.\n\nEl muestreo recomendado en modo de pensamiento es temperature 0.6, top-p 0.95, top-k 20 y min-p 0; el modo sin pensamiento utiliza 0.7, 0.8, 20 y 0. El fabricante recomienda decodificación por muestreo y advierte de que la decodificación voraz en modo de pensamiento puede provocar repetición. Las penalizaciones de presencia más altas también pueden introducir mezcla de idiomas. Facilita la inspección del resultado: pide un campo identificado de respuesta final, una tabla de decisión con razones o un parche de código con ejemplos. Comprueba los cálculos frente a los números proporcionados, ejecuta el código propuesto en el entorno previsto y revisa los resultados de herramientas antes de actuar.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Reconcile duplicate transaction records\n\nCompare two reconciliation rules on these records: (id=A, revision=1, amount=10), (A,2,12), (B,1,5). Rule X sums every row; rule Y keeps the highest revision per ID, then sums. Requirement: one current amount per ID; equal-revision disagreements must be flagged. Choose a rule, propose pseudocode and give tests for duplicates and conflicting ties.A rule comparison, chosen algorithm, expected total for the supplied records and conflict tests.Check the algorithm uses ID plus revision semantics and does not silently choose between conflicting equal revisions.qwen3-235b-a22bQwen3-235B-A22B combina razonamiento detallado y respuestas textuales directas en un modelo de mezcla de expertos. Utilízalo para análisis matemático, código, redacción multilingüe y asistentes que trabajan con herramientas conectadas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen3-235B-A22B lleva el enfoque de razonamiento híbrido de Qwen3 a un modelo grande de mezcla de expertos. Sus capacidades textuales abarcan problemas matemáticos y lógicos, generación de código, escritura creativa, conversaciones basadas en roles y seguimiento de instrucciones en varios turnos. Trabaja en más de 100 idiomas y dialectos. Para una conversación sobre desarrollo de producto, proporciona los requisitos, un ejemplo concreto y la decisión que necesitas: una comparación de diseños, una implementación o una explicación utilizable por un público determinado.
El modelo tiene 235 mil millones de parámetros en total y activa 22 mil millones durante el procesamiento. Su arquitectura contiene 128 expertos, selecciona ocho de ellos y tiene 94 capas. Estas cifras identifican esta versión; los modelos Qwen3 más pequeños y la edición FP8 tienen identidades independientes. La entrada y la salida son texto. Una tarea de ingeniería adecuada consiste en comparar dos algoritmos de conciliación utilizando los mismos registros de ejemplo, identificar las restricciones que satisface cada uno y devolver el algoritmo elegido con casos de prueba. Facilita los nombres reales de campos, las reglas de tratamiento de duplicados y los totales esperados para poder comprobar la respuesta frente al problema original.
Prepara la petición como mensajes de conversación, manteniendo el material de referencia separado de las instrucciones. Para una pregunta matemática, incluye el enunciado completo, las suposiciones permitidas y la notación; después pide una respuesta final en una forma especificada. Para código, incluye la función pertinente, el lenguaje, una entrada representativa y el fallo observado. Pide el cambio justificado más pequeño y describe qué comportamiento existente debe conservarse. Para redacción multilingüe, facilita el público y una lista de términos en lugar de pedir una traducción genérica. La integración publicada espera un entorno de ejecución compatible con Qwen3; la ficha advierte de que las versiones de Transformers anteriores a 4.51.0 no reconocen la arquitectura requerida.
El pensamiento y la ausencia de pensamiento son modos de este mismo modelo. La plantilla de conversación del fabricante activa el pensamiento por defecto; un control puede forzar su desactivación. Cuando el pensamiento sigue activado, /think y /no_think ofrecen control por turno, con prioridad para la instrucción más reciente. Si se fuerza la desactivación del pensamiento, el modo no responde a esas instrucciones de turno. En una interfaz de desarrollo, mantén diferenciada la respuesta final de la sección de razonamiento y traslada la respuesta final al historial posterior de conversación. Elige el modo deliberadamente: una disputa sobre algoritmos y una reescritura corta necesitan distintas cantidades de análisis. Con el pensamiento activado, incluso una instrucción de turno para responder sin pensamiento conserva un bloque de razonamiento; su contenido puede estar vacío. La desactivación forzada elimina ese bloque.
Para flujos de agentes, el fabricante recomienda Qwen-Agent para plantillas de herramientas y análisis sintáctico de sus llamadas. Las herramientas pueden incluir servicios conectados o un intérprete de código; la aplicación las define y ejecuta. Por ejemplo, da a un asistente una consulta de inventario de solo lectura con campos documentados y pídele que compare las existencias devueltas con el pedido proporcionado. Define la finalidad de la herramienta, los argumentos aceptados, la forma del resultado y el límite de permisos. Exige que la respuesta final diferencie una acción propuesta de un resultado confirmado de herramienta. Las capacidades del modelo relacionadas con herramientas no provocan por sí solas una acción externa. La guía Qwen3 también describe llamadas a herramientas paralelas y de varios pasos, con argumentos representados como objetos y resultados devueltos a la conversación.
El contexto nativo es de 32,768 tokens. El fabricante valida 131,072 tokens con ampliación YaRN; esto depende de la configuración y el escalado estático puede afectar a entradas más cortas. El presupuesto de contexto incluye tanto la petición como la respuesta generada. Para una especificación larga, identifica las secciones pertinentes para la decisión, etiquétalas y reserva espacio para la respuesta en lugar de llenar todo el presupuesto con texto de referencia. La ficha recomienda 32,768 tokens de salida para la mayoría de consultas en lugar de declarar ese valor como límite universal del servicio. La documentación Qwen3 trata longitudes de mensajes del asistente de 38,912 tokens en modo de pensamiento y 16,384 en modo sin pensamiento en su explicación de la longitud de entrenamiento, y recomienda evaluar la calidad de generaciones más largas. Estas cifras son distintas de la ventana global de contexto y no son un límite fijo específico de un endpoint. La ficha también explica su asignación posicional predeterminada de 40,960 tokens como 8,192 para instrucciones típicas más 32,768 de salida; son indicaciones de configuración del fabricante, separadas del contexto nativo de entrenamiento y de cualquier límite del endpoint.
El muestreo recomendado en modo de pensamiento es temperature 0.6, top-p 0.95, top-k 20 y min-p 0; el modo sin pensamiento utiliza 0.7, 0.8, 20 y 0. El fabricante recomienda decodificación por muestreo y advierte de que la decodificación voraz en modo de pensamiento puede provocar repetición. Las penalizaciones de presencia más altas también pueden introducir mezcla de idiomas. Facilita la inspección del resultado: pide un campo identificado de respuesta final, una tabla de decisión con razones o un parche de código con ejemplos. Comprueba los cálculos frente a los números proporcionados, ejecuta el código propuesto en el entorno previsto y revisa los resultados de herramientas antes de actuar.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen3-235b-a22b | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.00114 / 1K tokens Salida · Tokens de salida $0.00342 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen3-235b-a22b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen3-235b-a22b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen3-235b-a22b',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 qwen3-235b-a22b
Usa las rutas de método indicadas arriba.
qwen3-235b-a22bQwen3-235B-A22B combina razonamiento detallado y respuestas textuales directas en un modelo de mezcla de expertos. Utilízalo para análisis matemático, código, redacción multilingüe y asistentes que trabajan con herramientas conectadas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen3-235B-A22B lleva el enfoque de razonamiento híbrido de Qwen3 a un modelo grande de mezcla de expertos. Sus capacidades textuales abarcan problemas matemáticos y lógicos, generación de código, escritura creativa, conversaciones basadas en roles y seguimiento de instrucciones en varios turnos. Trabaja en más de 100 idiomas y dialectos. Para una conversación sobre desarrollo de producto, proporciona los requisitos, un ejemplo concreto y la decisión que necesitas: una comparación de diseños, una implementación o una explicación utilizable por un público determinado.
El modelo tiene 235 mil millones de parámetros en total y activa 22 mil millones durante el procesamiento. Su arquitectura contiene 128 expertos, selecciona ocho de ellos y tiene 94 capas. Estas cifras identifican esta versión; los modelos Qwen3 más pequeños y la edición FP8 tienen identidades independientes. La entrada y la salida son texto. Una tarea de ingeniería adecuada consiste en comparar dos algoritmos de conciliación utilizando los mismos registros de ejemplo, identificar las restricciones que satisface cada uno y devolver el algoritmo elegido con casos de prueba. Facilita los nombres reales de campos, las reglas de tratamiento de duplicados y los totales esperados para poder comprobar la respuesta frente al problema original.
Prepara la petición como mensajes de conversación, manteniendo el material de referencia separado de las instrucciones. Para una pregunta matemática, incluye el enunciado completo, las suposiciones permitidas y la notación; después pide una respuesta final en una forma especificada. Para código, incluye la función pertinente, el lenguaje, una entrada representativa y el fallo observado. Pide el cambio justificado más pequeño y describe qué comportamiento existente debe conservarse. Para redacción multilingüe, facilita el público y una lista de términos en lugar de pedir una traducción genérica. La integración publicada espera un entorno de ejecución compatible con Qwen3; la ficha advierte de que las versiones de Transformers anteriores a 4.51.0 no reconocen la arquitectura requerida.
El pensamiento y la ausencia de pensamiento son modos de este mismo modelo. La plantilla de conversación del fabricante activa el pensamiento por defecto; un control puede forzar su desactivación. Cuando el pensamiento sigue activado, /think y /no_think ofrecen control por turno, con prioridad para la instrucción más reciente. Si se fuerza la desactivación del pensamiento, el modo no responde a esas instrucciones de turno. En una interfaz de desarrollo, mantén diferenciada la respuesta final de la sección de razonamiento y traslada la respuesta final al historial posterior de conversación. Elige el modo deliberadamente: una disputa sobre algoritmos y una reescritura corta necesitan distintas cantidades de análisis. Con el pensamiento activado, incluso una instrucción de turno para responder sin pensamiento conserva un bloque de razonamiento; su contenido puede estar vacío. La desactivación forzada elimina ese bloque.
Para flujos de agentes, el fabricante recomienda Qwen-Agent para plantillas de herramientas y análisis sintáctico de sus llamadas. Las herramientas pueden incluir servicios conectados o un intérprete de código; la aplicación las define y ejecuta. Por ejemplo, da a un asistente una consulta de inventario de solo lectura con campos documentados y pídele que compare las existencias devueltas con el pedido proporcionado. Define la finalidad de la herramienta, los argumentos aceptados, la forma del resultado y el límite de permisos. Exige que la respuesta final diferencie una acción propuesta de un resultado confirmado de herramienta. Las capacidades del modelo relacionadas con herramientas no provocan por sí solas una acción externa. La guía Qwen3 también describe llamadas a herramientas paralelas y de varios pasos, con argumentos representados como objetos y resultados devueltos a la conversación.
El contexto nativo es de 32,768 tokens. El fabricante valida 131,072 tokens con ampliación YaRN; esto depende de la configuración y el escalado estático puede afectar a entradas más cortas. El presupuesto de contexto incluye tanto la petición como la respuesta generada. Para una especificación larga, identifica las secciones pertinentes para la decisión, etiquétalas y reserva espacio para la respuesta en lugar de llenar todo el presupuesto con texto de referencia. La ficha recomienda 32,768 tokens de salida para la mayoría de consultas en lugar de declarar ese valor como límite universal del servicio. La documentación Qwen3 trata longitudes de mensajes del asistente de 38,912 tokens en modo de pensamiento y 16,384 en modo sin pensamiento en su explicación de la longitud de entrenamiento, y recomienda evaluar la calidad de generaciones más largas. Estas cifras son distintas de la ventana global de contexto y no son un límite fijo específico de un endpoint. La ficha también explica su asignación posicional predeterminada de 40,960 tokens como 8,192 para instrucciones típicas más 32,768 de salida; son indicaciones de configuración del fabricante, separadas del contexto nativo de entrenamiento y de cualquier límite del endpoint.
El muestreo recomendado en modo de pensamiento es temperature 0.6, top-p 0.95, top-k 20 y min-p 0; el modo sin pensamiento utiliza 0.7, 0.8, 20 y 0. El fabricante recomienda decodificación por muestreo y advierte de que la decodificación voraz en modo de pensamiento puede provocar repetición. Las penalizaciones de presencia más altas también pueden introducir mezcla de idiomas. Facilita la inspección del resultado: pide un campo identificado de respuesta final, una tabla de decisión con razones o un parche de código con ejemplos. Comprueba los cálculos frente a los números proporcionados, ejecuta el código propuesto en el entorno previsto y revisa los resultados de herramientas antes de actuar.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen3-235b-a22b | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.00114 / 1K tokens Salida · Tokens de salida $0.00342 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "qwen3-235b-a22b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3-235b-a22b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3-235b-a22b', '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 qwen3-235b-a22b
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Reconcile duplicate transaction records\n\nCompare two reconciliation rules on these records: (id=A, revision=1, amount=10), (A,2,12), (B,1,5). Rule X sums every row; rule Y keeps the highest revision per ID, then sums. Requirement: one current amount per ID; equal-revision disagreements must be flagged. Choose a rule, propose pseudocode and give tests for duplicates and conflicting ties.A rule comparison, chosen algorithm, expected total for the supplied records and conflict tests.Check the algorithm uses ID plus revision semantics and does not silently choose between conflicting equal revisions.