Qwen3-235B-A22B-Instruct-2507 est l’édition actualisée, orientée suivi d’instructions et non-Thinking, du grand modèle à mélange d’experts de Qwen3. Qwen souligne des améliorations en compréhension textuelle, raisonnement logique, mathématiques, sciences, code et utilisation d’outils, ainsi que des connaissances multilingues plus étendues et une meilleure gestion de la rédaction ouverte. Ses entrées et sorties sont textuelles. Il sert à transformer une consigne bien définie et des éléments fournis en réponse, analyse, programme ou brouillon soigné, sans section Thinking générée séparément.
Le modèle compte 235 milliards de paramètres au total et en active 22 milliards pour chaque token. Son contexte natif est de 262 144 tokens. Une demande pratique avec de longues entrées peut réunir une spécification produit, des notes d’implémentation et une liste de questions non résolues, puis demander une comparaison structurée ou une spécification révisée. Conservez les titres sources et précisez le public visé, les sections à modifier et les conditions auxquelles la sortie doit satisfaire. Pour une tâche de rédaction, incluez le ton, la longueur et les faits requis ; pour le code, les interfaces, le comportement attendu et le code environnant.
Cette édition prend uniquement en charge le mode non-Thinking et ne produit pas de blocs <think>. Elle ne nécessite pas le commutateur enable_thinking=False du modèle hybride original, et demander le mode du modèle ultérieur Thinking-2507 ne change pas son édition. La sortie directe permet toujours une explication, un calcul ou une réponse argumentée sur demande. Les exemples Qwen standardisent une réponse mathématique avec \\boxed{} et une réponse à choix multiple avec un champ de réponse spécifié. Des instructions explicites similaires peuvent demander une courte justification suivie d’une recommandation finale, ou des champs JSON définis dont le prompt indique le sens.
Pour les processus d’agents, la fiche officielle recommande Qwen-Agent avec ses gabarits et analyseurs d’appels d’outils. Les outils peuvent être définis individuellement ou dans une configuration structurée, et le fabricant présente la recherche d’informations et un interpréteur de code. Une préparation utile décrit le rôle et les arguments de chaque outil, fournit les éléments déjà disponibles et indique le point d’arrêt souhaité. Par exemple, un assistant documentaire peut récupérer des sections nommées, rapprocher les différences et renvoyer une explication actualisée. L’application environnante exécute les outils demandés et renvoie leurs résultats dans la conversation.
Le fabricant recommande temperature 0,7, top-p 0,8, top-k 20 et min-p 0, avec un espace de sortie de 16 384 tokens pour la plupart des questions. Il s’agit de conseils de génération plutôt que d’une affirmation selon laquelle toute réponse peut atteindre un maximum fixe. La fiche précise aussi qu’une pénalité de présence peut réduire les sorties répétitives, mais que des valeurs plus élevées peuvent mélanger les langues et légèrement diminuer la qualité. Une consigne ciblée et une structure explicite sont utiles avant de modifier ces contrôles : demandez les sections, champs ou exemples exacts nécessaires et réservez assez de place pour eux.
Qwen documente une extension facultative à 1 010 000 tokens par une configuration distincte utilisant Dual Chunk Attention et une attention clairsemée. La fenêtre native reste de 262 144 tokens ; le réglage plus grand dépend de l’implémentation prescrite et des ressources mémoire. La fiche indique explicitement que les contraintes mémoire peuvent nécessiter un contexte configuré plus court. Pour des éléments volumineux, sélectionnez les sources pertinentes, indiquez leurs priorités et demandez au modèle de séparer les conclusions étayées par le texte fourni des questions non résolues. Cela rend le résultat de long contexte utilisable sans traiter la capacité d’entrée comme un substitut à une tâche précise.
", "aboutText": "Qwen3-235B-A22B-Instruct-2507 est l’édition actualisée, orientée suivi d’instructions et non-Thinking, du grand modèle à mélange d’experts de Qwen3. Qwen souligne des améliorations en compréhension textuelle, raisonnement logique, mathématiques, sciences, code et utilisation d’outils, ainsi que des connaissances multilingues plus étendues et une meilleure gestion de la rédaction ouverte. Ses entrées et sorties sont textuelles. Il sert à transformer une consigne bien définie et des éléments fournis en réponse, analyse, programme ou brouillon soigné, sans section Thinking générée séparément.\n\nLe modèle compte 235 milliards de paramètres au total et en active 22 milliards pour chaque token. Son contexte natif est de 262 144 tokens. Une demande pratique avec de longues entrées peut réunir une spécification produit, des notes d’implémentation et une liste de questions non résolues, puis demander une comparaison structurée ou une spécification révisée. Conservez les titres sources et précisez le public visé, les sections à modifier et les conditions auxquelles la sortie doit satisfaire. Pour une tâche de rédaction, incluez le ton, la longueur et les faits requis ; pour le code, les interfaces, le comportement attendu et le code environnant.\n\nCette édition prend uniquement en charge le mode non-Thinking et ne produit pas de blocsExemple technique en anglais
Update a specification from notes\n\nProduce an updated export specification from these sources. [SPEC] Export all visible rows with headers. [IMPLEMENTATION] Current code exports selected rows only. [DECISION] Users must choose either selected rows or all filtered rows; headers are always included. Decision takes priority. Return the revised requirement, the implementation gap and questions still needed for an empty selection.A revised specification section, a source-labeled gap note and an empty-selection question.Check the two export choices remain distinct and headers stay mandatory.qwen/qwen3-235b-a22b-2507Qwen3-235B-A22B-Instruct-2507 est le modèle textuel non-Thinking de Qwen pour la rédaction multilingue, le code, le suivi d’instructions et l’analyse documentaire. Il génère des réponses directes sans blocs Thinking et possède un contexte natif de 262 144 tokens.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen3-235B-A22B-Instruct-2507 est l’édition actualisée, orientée suivi d’instructions et non-Thinking, du grand modèle à mélange d’experts de Qwen3. Qwen souligne des améliorations en compréhension textuelle, raisonnement logique, mathématiques, sciences, code et utilisation d’outils, ainsi que des connaissances multilingues plus étendues et une meilleure gestion de la rédaction ouverte. Ses entrées et sorties sont textuelles. Il sert à transformer une consigne bien définie et des éléments fournis en réponse, analyse, programme ou brouillon soigné, sans section Thinking générée séparément.
Le modèle compte 235 milliards de paramètres au total et en active 22 milliards pour chaque token. Son contexte natif est de 262 144 tokens. Une demande pratique avec de longues entrées peut réunir une spécification produit, des notes d’implémentation et une liste de questions non résolues, puis demander une comparaison structurée ou une spécification révisée. Conservez les titres sources et précisez le public visé, les sections à modifier et les conditions auxquelles la sortie doit satisfaire. Pour une tâche de rédaction, incluez le ton, la longueur et les faits requis ; pour le code, les interfaces, le comportement attendu et le code environnant.
Cette édition prend uniquement en charge le mode non-Thinking et ne produit pas de blocs <think>. Elle ne nécessite pas le commutateur enable_thinking=False du modèle hybride original, et demander le mode du modèle ultérieur Thinking-2507 ne change pas son édition. La sortie directe permet toujours une explication, un calcul ou une réponse argumentée sur demande. Les exemples Qwen standardisent une réponse mathématique avec \\boxed{} et une réponse à choix multiple avec un champ de réponse spécifié. Des instructions explicites similaires peuvent demander une courte justification suivie d’une recommandation finale, ou des champs JSON définis dont le prompt indique le sens.
Pour les processus d’agents, la fiche officielle recommande Qwen-Agent avec ses gabarits et analyseurs d’appels d’outils. Les outils peuvent être définis individuellement ou dans une configuration structurée, et le fabricant présente la recherche d’informations et un interpréteur de code. Une préparation utile décrit le rôle et les arguments de chaque outil, fournit les éléments déjà disponibles et indique le point d’arrêt souhaité. Par exemple, un assistant documentaire peut récupérer des sections nommées, rapprocher les différences et renvoyer une explication actualisée. L’application environnante exécute les outils demandés et renvoie leurs résultats dans la conversation.
Le fabricant recommande temperature 0,7, top-p 0,8, top-k 20 et min-p 0, avec un espace de sortie de 16 384 tokens pour la plupart des questions. Il s’agit de conseils de génération plutôt que d’une affirmation selon laquelle toute réponse peut atteindre un maximum fixe. La fiche précise aussi qu’une pénalité de présence peut réduire les sorties répétitives, mais que des valeurs plus élevées peuvent mélanger les langues et légèrement diminuer la qualité. Une consigne ciblée et une structure explicite sont utiles avant de modifier ces contrôles : demandez les sections, champs ou exemples exacts nécessaires et réservez assez de place pour eux.
Qwen documente une extension facultative à 1 010 000 tokens par une configuration distincte utilisant Dual Chunk Attention et une attention clairsemée. La fenêtre native reste de 262 144 tokens ; le réglage plus grand dépend de l’implémentation prescrite et des ressources mémoire. La fiche indique explicitement que les contraintes mémoire peuvent nécessiter un contexte configuré plus court. Pour des éléments volumineux, sélectionnez les sources pertinentes, indiquez leurs priorités et demandez au modèle de séparer les conclusions étayées par le texte fourni des questions non résolues. Cela rend le résultat de long contexte utilisable sans traiter la capacité d’entrée comme un substitut à une tâche précise.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3-235b-a22b-2507 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.000572 / 1K tokens Sortie · Tokens en sortie $0.00228 / 1K tokens Entrée · Lecture du cache $0.0001 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.000572 / 1K tokens Sortie · Tokens en sortie $0.00228 / 1K tokens Entrée · Lecture du cache $0.0001 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-235b-a22b-2507", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3-235b-a22b-2507',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3-235b-a22b-2507',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra qwen/qwen3-235b-a22b-2507
Utilisez les chemins de méthode indiqués ci-dessus.
qwen/qwen3-235b-a22b-2507Qwen3-235B-A22B-Instruct-2507 est le modèle textuel non-Thinking de Qwen pour la rédaction multilingue, le code, le suivi d’instructions et l’analyse documentaire. Il génère des réponses directes sans blocs Thinking et possède un contexte natif de 262 144 tokens.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen3-235B-A22B-Instruct-2507 est l’édition actualisée, orientée suivi d’instructions et non-Thinking, du grand modèle à mélange d’experts de Qwen3. Qwen souligne des améliorations en compréhension textuelle, raisonnement logique, mathématiques, sciences, code et utilisation d’outils, ainsi que des connaissances multilingues plus étendues et une meilleure gestion de la rédaction ouverte. Ses entrées et sorties sont textuelles. Il sert à transformer une consigne bien définie et des éléments fournis en réponse, analyse, programme ou brouillon soigné, sans section Thinking générée séparément.
Le modèle compte 235 milliards de paramètres au total et en active 22 milliards pour chaque token. Son contexte natif est de 262 144 tokens. Une demande pratique avec de longues entrées peut réunir une spécification produit, des notes d’implémentation et une liste de questions non résolues, puis demander une comparaison structurée ou une spécification révisée. Conservez les titres sources et précisez le public visé, les sections à modifier et les conditions auxquelles la sortie doit satisfaire. Pour une tâche de rédaction, incluez le ton, la longueur et les faits requis ; pour le code, les interfaces, le comportement attendu et le code environnant.
Cette édition prend uniquement en charge le mode non-Thinking et ne produit pas de blocs <think>. Elle ne nécessite pas le commutateur enable_thinking=False du modèle hybride original, et demander le mode du modèle ultérieur Thinking-2507 ne change pas son édition. La sortie directe permet toujours une explication, un calcul ou une réponse argumentée sur demande. Les exemples Qwen standardisent une réponse mathématique avec \\boxed{} et une réponse à choix multiple avec un champ de réponse spécifié. Des instructions explicites similaires peuvent demander une courte justification suivie d’une recommandation finale, ou des champs JSON définis dont le prompt indique le sens.
Pour les processus d’agents, la fiche officielle recommande Qwen-Agent avec ses gabarits et analyseurs d’appels d’outils. Les outils peuvent être définis individuellement ou dans une configuration structurée, et le fabricant présente la recherche d’informations et un interpréteur de code. Une préparation utile décrit le rôle et les arguments de chaque outil, fournit les éléments déjà disponibles et indique le point d’arrêt souhaité. Par exemple, un assistant documentaire peut récupérer des sections nommées, rapprocher les différences et renvoyer une explication actualisée. L’application environnante exécute les outils demandés et renvoie leurs résultats dans la conversation.
Le fabricant recommande temperature 0,7, top-p 0,8, top-k 20 et min-p 0, avec un espace de sortie de 16 384 tokens pour la plupart des questions. Il s’agit de conseils de génération plutôt que d’une affirmation selon laquelle toute réponse peut atteindre un maximum fixe. La fiche précise aussi qu’une pénalité de présence peut réduire les sorties répétitives, mais que des valeurs plus élevées peuvent mélanger les langues et légèrement diminuer la qualité. Une consigne ciblée et une structure explicite sont utiles avant de modifier ces contrôles : demandez les sections, champs ou exemples exacts nécessaires et réservez assez de place pour eux.
Qwen documente une extension facultative à 1 010 000 tokens par une configuration distincte utilisant Dual Chunk Attention et une attention clairsemée. La fenêtre native reste de 262 144 tokens ; le réglage plus grand dépend de l’implémentation prescrite et des ressources mémoire. La fiche indique explicitement que les contraintes mémoire peuvent nécessiter un contexte configuré plus court. Pour des éléments volumineux, sélectionnez les sources pertinentes, indiquez leurs priorités et demandez au modèle de séparer les conclusions étayées par le texte fourni des questions non résolues. Cela rend le résultat de long contexte utilisable sans traiter la capacité d’entrée comme un substitut à une tâche précise.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3-235b-a22b-2507 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.000572 / 1K tokens Sortie · Tokens en sortie $0.00228 / 1K tokens Entrée · Lecture du cache $0.0001 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.000572 / 1K tokens Sortie · Tokens en sortie $0.00228 / 1K tokens Entrée · Lecture du cache $0.0001 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen3-235b-a22b-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-235b-a22b-2507', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-235b-a22b-2507', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra qwen/qwen3-235b-a22b-2507
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Update a specification from notes\n\nProduce an updated export specification from these sources. [SPEC] Export all visible rows with headers. [IMPLEMENTATION] Current code exports selected rows only. [DECISION] Users must choose either selected rows or all filtered rows; headers are always included. Decision takes priority. Return the revised requirement, the implementation gap and questions still needed for an empty selection.A revised specification section, a source-labeled gap note and an empty-selection question.Check the two export choices remain distinct and headers stay mandatory.