Points forts de Qwen3.8 dans un modèle vision-langage dense
Qwen3.8-27B apporte les améliorations de programmation, de travail professionnel, de recherche et de tâches d’agent de Qwen3.8 dans un modèle dense de 27 milliards de paramètres. Il accepte le texte, les images et la vidéo et renvoie du texte. Son périmètre visuel documenté comprend les schémas STEM, les pages de documents et les vidéos de l’ordre d’une heure. C’est un checkpoint distinct du Qwen3.8-2.4T-A95B beaucoup plus grand et uniquement textuel ; leurs capacités d’entrée et contrats de réflexion doivent donc rester séparés.
Qwen souligne la planification autonome, l’exploitation des retours de l’environnement et l’intégration avec des environnements de développement. Pour une tâche d’agent, fournissez l’objectif, les contenus pertinents, les outils autorisés et les éléments démontrant l’achèvement. Le modèle peut proposer et réviser des actions à partir des résultats renvoyés ; le logiciel connecté les exécute. Demandez le livrable final et les conditions non résolues plutôt que de considérer un plan comme un résultat exécuté.
Vue d’ensemble du modèle
Le modèle 27B comporte 64 couches de modèle linguistique. Sa structure hybride regroupe trois couches Gated DeltaNet suivies d’une couche d’attention à porte, avec des réseaux feed-forward denses. Il est entraîné avec une prédiction multi-jetons et comprend un encodeur visuel. Ces choix architecturaux décrivent le modèle publié ; ils n’impliquent pas une consommation mémoire ou une latence identiques dans chaque déploiement.
Le contexte natif est de 262 144 jetons, avec une extension documentée à 1 000 000. Le texte, la représentation visuelle, l’historique, la réflexion et la sortie finale partagent le budget de séquence configuré. Le concepteur décrit séparément une édition gérée avec des fonctions supplémentaires ; elles ne doivent pas être automatiquement attribuées au checkpoint ouvert.
Utiliser le texte, les images et la vidéo
Pour une tâche de code, fournissez la fonction ou le module pertinent, une entrée défaillante et le comportement attendu, puis demandez un correctif avec les hypothèses et les vérifications concernées. Pour un schéma, préservez les libellés et donnez la question complète. Pour un document, demandez des champs nommés ou des conclusions avec références de page. Pour une vidéo, précisez l’événement recherché et préservez son minutage.
L’exemple vidéo du concepteur utilise par défaut deux images par seconde dans son flux de service compatible, avec des contrôles d’échantillonnage facultatifs. Un résumé global de scène et un événement bref peuvent exiger des échantillonnages différents. Les indications pour les vidéos longues recommandent d’étendre le budget du processeur vidéo pour permettre un échantillonnage plus fréquent sur du contenu de l’ordre d’une heure, avec un exemple d’environ 224K jetons vidéo. Cela exige une configuration et concurrence les autres contenus du contexte ; ce n’est pas une garantie universelle de durée d’extrait.
Réflexion et raisonnement historique
La réflexion est activée par défaut et peut être désactivée par requête via enable_thinking du concepteur. reasoning_effort accepte xhigh, medium et low, avec xhigh par défaut. Un effort moindre peut raccourcir un tour, mais Qwen avertit qu’une analyse insuffisante dans les tâches d’agent peut provoquer des échecs et du travail répété, augmentant le temps total d’achèvement.
preserve_thinking est activé par défaut et conserve les blocs de raisonnement des messages historiques pour la continuité. Sa désactivation ne conserve que les blocs de réflexion générés pendant le traitement du dernier message utilisateur. Cela diffère des anciennes recommandations Qwen supprimant entièrement le raisonnement historique. Séparez le raisonnement du contenu final dans l’interface et préservez le format de conversation exact attendu par le checkpoint. Les contrôles du concepteur ne prouvent pas quels paramètres une autre application expose.
Recommandations de génération
Pour la réflexion, Qwen recommande temperature 1.0, top_p 0.95, top_k 20, min_p 0, une pénalité de présence de 0 et une pénalité de répétition de 1.0. Pour les réponses directes, les valeurs recommandées sont respectivement 0.7, 0.8, 20, 0, 1.5 et 1.0. Une pénalité de présence accrue peut réduire la répétition, mais mélanger les langues ou diminuer légèrement la qualité.
Dans un flux configuré à un million de jetons acceptant des limites séparées, le concepteur recommande des allocations de 262 144 jetons pour le raisonnement et de 131 072 pour la réponse finale. Ce sont des recommandations conditionnelles de budget, pas des plafonds stricts indépendants de sortie ni des allocations tenant simultanément dans le contexte natif.
Contexte ultra-long et limites
L’extension documentée utilise YaRN avec les réglages positionnels entrelacés propres au modèle. Un facteur de quatre vise le flux à un million de jetons ; pour une charge d’environ 524 288 jetons, le concepteur suggère un facteur de deux. La mise à l’échelle statique peut affecter la qualité sur les textes plus courts ; Qwen conseille donc de l’activer lorsque le contexte plus long est nécessaire. Ne copiez pas le facteur d’extrapolation d’une autre édition Qwen-VL sans sa propre recette.
Organisez les entrées longues par document, page ou identifiant de code et demandez un résultat vérifiable. Vérifiez les calculs, les petits libellés visuels et les correctifs générés par rapport à la source. Le contexte long, le raisonnement conservé et les budgets vidéo accrus aident à transporter plus d’éléments dans une tâche ; ils ne prouvent pas à eux seuls un rappel intégral, un raisonnement correct ou l’exécution d’une action externe.
", "aboutText": "Points forts de Qwen3.8 dans un modèle vision-langage dense\n\nQwen3.8-27B apporte les améliorations de programmation, de travail professionnel, de recherche et de tâches d’agent de Qwen3.8 dans un modèle dense de 27 milliards de paramètres. Il accepte le texte, les images et la vidéo et renvoie du texte. Son périmètre visuel documenté comprend les schémas STEM, les pages de documents et les vidéos de l’ordre d’une heure. C’est un checkpoint distinct du Qwen3.8-2.4T-A95B beaucoup plus grand et uniquement textuel ; leurs capacités d’entrée et contrats de réflexion doivent donc rester séparés.\n\nQwen souligne la planification autonome, l’exploitation des retours de l’environnement et l’intégration avec des environnements de développement. Pour une tâche d’agent, fournissez l’objectif, les contenus pertinents, les outils autorisés et les éléments démontrant l’achèvement. Le modèle peut proposer et réviser des actions à partir des résultats renvoyés ; le logiciel connecté les exécute. Demandez le livrable final et les conditions non résolues plutôt que de considérer un plan comme un résultat exécuté.\n\nVue d’ensemble du modèle\n\nLe modèle 27B comporte 64 couches de modèle linguistique. Sa structure hybride regroupe trois couches Gated DeltaNet suivies d’une couche d’attention à porte, avec des réseaux feed-forward denses. Il est entraîné avec une prédiction multi-jetons et comprend un encodeur visuel. Ces choix architecturaux décrivent le modèle publié ; ils n’impliquent pas une consommation mémoire ou une latence identiques dans chaque déploiement.\n\nLe contexte natif est de 262 144 jetons, avec une extension documentée à 1 000 000. Le texte, la représentation visuelle, l’historique, la réflexion et la sortie finale partagent le budget de séquence configuré. Le concepteur décrit séparément une édition gérée avec des fonctions supplémentaires ; elles ne doivent pas être automatiquement attribuées au checkpoint ouvert.\n\nUtiliser le texte, les images et la vidéo\n\nPour une tâche de code, fournissez la fonction ou le module pertinent, une entrée défaillante et le comportement attendu, puis demandez un correctif avec les hypothèses et les vérifications concernées. Pour un schéma, préservez les libellés et donnez la question complète. Pour un document, demandez des champs nommés ou des conclusions avec références de page. Pour une vidéo, précisez l’événement recherché et préservez son minutage.\n\nL’exemple vidéo du concepteur utilise par défaut deux images par seconde dans son flux de service compatible, avec des contrôles d’échantillonnage facultatifs. Un résumé global de scène et un événement bref peuvent exiger des échantillonnages différents. Les indications pour les vidéos longues recommandent d’étendre le budget du processeur vidéo pour permettre un échantillonnage plus fréquent sur du contenu de l’ordre d’une heure, avec un exemple d’environ 224K jetons vidéo. Cela exige une configuration et concurrence les autres contenus du contexte ; ce n’est pas une garantie universelle de durée d’extrait.\n\nRéflexion et raisonnement historique\n\nLa réflexion est activée par défaut et peut être désactivée par requête via enable_thinking du concepteur. reasoning_effort accepte xhigh, medium et low, avec xhigh par défaut. Un effort moindre peut raccourcir un tour, mais Qwen avertit qu’une analyse insuffisante dans les tâches d’agent peut provoquer des échecs et du travail répété, augmentant le temps total d’achèvement.\n\npreserve_thinking est activé par défaut et conserve les blocs de raisonnement des messages historiques pour la continuité. Sa désactivation ne conserve que les blocs de réflexion générés pendant le traitement du dernier message utilisateur. Cela diffère des anciennes recommandations Qwen supprimant entièrement le raisonnement historique. Séparez le raisonnement du contenu final dans l’interface et préservez le format de conversation exact attendu par le checkpoint. Les contrôles du concepteur ne prouvent pas quels paramètres une autre application expose.\n\nRecommandations de génération\n\nPour la réflexion, Qwen recommande temperature 1.0, top_p 0.95, top_k 20, min_p 0, une pénalité de présence de 0 et une pénalité de répétition de 1.0. Pour les réponses directes, les valeurs recommandées sont respectivement 0.7, 0.8, 20, 0, 1.5 et 1.0. Une pénalité de présence accrue peut réduire la répétition, mais mélanger les langues ou diminuer légèrement la qualité.\n\nDans un flux configuré à un million de jetons acceptant des limites séparées, le concepteur recommande des allocations de 262 144 jetons pour le raisonnement et de 131 072 pour la réponse finale. Ce sont des recommandations conditionnelles de budget, pas des plafonds stricts indépendants de sortie ni des allocations tenant simultanément dans le contexte natif.\n\nContexte ultra-long et limites\n\nL’extension documentée utilise YaRN avec les réglages positionnels entrelacés propres au modèle. Un facteur de quatre vise le flux à un million de jetons ; pour une charge d’environ 524 288 jetons, le concepteur suggère un facteur de deux. La mise à l’échelle statique peut affecter la qualité sur les textes plus courts ; Qwen conseille donc de l’activer lorsque le contexte plus long est nécessaire. Ne copiez pas le facteur d’extrapolation d’une autre édition Qwen-VL sans sa propre recette.\n\nOrganisez les entrées longues par document, page ou identifiant de code et demandez un résultat vérifiable. Vérifiez les calculs, les petits libellés visuels et les correctifs générés par rapport à la source. Le contexte long, le raisonnement conservé et les budgets vidéo accrus aident à transporter plus d’éléments dans une tâche ; ils ne prouvent pas à eux seuls un rappel intégral, un raisonnement correct ou l’exécution d’une action externe.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Analyze a circuit described in text\n\nA written circuit description gives two 6-ohm resistors connected in parallel across an ideal 12-volt source. Assume ideal wires and constant resistance. Derive the equivalent resistance, total current and current through each branch. Show the formulas and verify that branch currents add to the total. No circuit image or execution tool is provided.A short derivation with units, three requested quantities and a current-sum check.Equivalent resistance is 3 ohms and the two equal branch currents sum to the derived total current.qwen/qwen3.8-27bQwen3.8-27B est le modèle vision-langage dense de Qwen pour le texte, les images et la vidéo, avec sortie textuelle. Il associe la programmation et les tâches d’agent prolongées à une réflexion réglable, à la conservation du raisonnement et à un contexte natif de 262 144 jetons, extensible à un million par configuration.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Points forts de Qwen3.8 dans un modèle vision-langage dense
Qwen3.8-27B apporte les améliorations de programmation, de travail professionnel, de recherche et de tâches d’agent de Qwen3.8 dans un modèle dense de 27 milliards de paramètres. Il accepte le texte, les images et la vidéo et renvoie du texte. Son périmètre visuel documenté comprend les schémas STEM, les pages de documents et les vidéos de l’ordre d’une heure. C’est un checkpoint distinct du Qwen3.8-2.4T-A95B beaucoup plus grand et uniquement textuel ; leurs capacités d’entrée et contrats de réflexion doivent donc rester séparés.
Qwen souligne la planification autonome, l’exploitation des retours de l’environnement et l’intégration avec des environnements de développement. Pour une tâche d’agent, fournissez l’objectif, les contenus pertinents, les outils autorisés et les éléments démontrant l’achèvement. Le modèle peut proposer et réviser des actions à partir des résultats renvoyés ; le logiciel connecté les exécute. Demandez le livrable final et les conditions non résolues plutôt que de considérer un plan comme un résultat exécuté.
Vue d’ensemble du modèle
Le modèle 27B comporte 64 couches de modèle linguistique. Sa structure hybride regroupe trois couches Gated DeltaNet suivies d’une couche d’attention à porte, avec des réseaux feed-forward denses. Il est entraîné avec une prédiction multi-jetons et comprend un encodeur visuel. Ces choix architecturaux décrivent le modèle publié ; ils n’impliquent pas une consommation mémoire ou une latence identiques dans chaque déploiement.
Le contexte natif est de 262 144 jetons, avec une extension documentée à 1 000 000. Le texte, la représentation visuelle, l’historique, la réflexion et la sortie finale partagent le budget de séquence configuré. Le concepteur décrit séparément une édition gérée avec des fonctions supplémentaires ; elles ne doivent pas être automatiquement attribuées au checkpoint ouvert.
Utiliser le texte, les images et la vidéo
Pour une tâche de code, fournissez la fonction ou le module pertinent, une entrée défaillante et le comportement attendu, puis demandez un correctif avec les hypothèses et les vérifications concernées. Pour un schéma, préservez les libellés et donnez la question complète. Pour un document, demandez des champs nommés ou des conclusions avec références de page. Pour une vidéo, précisez l’événement recherché et préservez son minutage.
L’exemple vidéo du concepteur utilise par défaut deux images par seconde dans son flux de service compatible, avec des contrôles d’échantillonnage facultatifs. Un résumé global de scène et un événement bref peuvent exiger des échantillonnages différents. Les indications pour les vidéos longues recommandent d’étendre le budget du processeur vidéo pour permettre un échantillonnage plus fréquent sur du contenu de l’ordre d’une heure, avec un exemple d’environ 224K jetons vidéo. Cela exige une configuration et concurrence les autres contenus du contexte ; ce n’est pas une garantie universelle de durée d’extrait.
Réflexion et raisonnement historique
La réflexion est activée par défaut et peut être désactivée par requête via enable_thinking du concepteur. reasoning_effort accepte xhigh, medium et low, avec xhigh par défaut. Un effort moindre peut raccourcir un tour, mais Qwen avertit qu’une analyse insuffisante dans les tâches d’agent peut provoquer des échecs et du travail répété, augmentant le temps total d’achèvement.
preserve_thinking est activé par défaut et conserve les blocs de raisonnement des messages historiques pour la continuité. Sa désactivation ne conserve que les blocs de réflexion générés pendant le traitement du dernier message utilisateur. Cela diffère des anciennes recommandations Qwen supprimant entièrement le raisonnement historique. Séparez le raisonnement du contenu final dans l’interface et préservez le format de conversation exact attendu par le checkpoint. Les contrôles du concepteur ne prouvent pas quels paramètres une autre application expose.
Recommandations de génération
Pour la réflexion, Qwen recommande temperature 1.0, top_p 0.95, top_k 20, min_p 0, une pénalité de présence de 0 et une pénalité de répétition de 1.0. Pour les réponses directes, les valeurs recommandées sont respectivement 0.7, 0.8, 20, 0, 1.5 et 1.0. Une pénalité de présence accrue peut réduire la répétition, mais mélanger les langues ou diminuer légèrement la qualité.
Dans un flux configuré à un million de jetons acceptant des limites séparées, le concepteur recommande des allocations de 262 144 jetons pour le raisonnement et de 131 072 pour la réponse finale. Ce sont des recommandations conditionnelles de budget, pas des plafonds stricts indépendants de sortie ni des allocations tenant simultanément dans le contexte natif.
Contexte ultra-long et limites
L’extension documentée utilise YaRN avec les réglages positionnels entrelacés propres au modèle. Un facteur de quatre vise le flux à un million de jetons ; pour une charge d’environ 524 288 jetons, le concepteur suggère un facteur de deux. La mise à l’échelle statique peut affecter la qualité sur les textes plus courts ; Qwen conseille donc de l’activer lorsque le contexte plus long est nécessaire. Ne copiez pas le facteur d’extrapolation d’une autre édition Qwen-VL sans sa propre recette.
Organisez les entrées longues par document, page ou identifiant de code et demandez un résultat vérifiable. Vérifiez les calculs, les petits libellés visuels et les correctifs générés par rapport à la source. Le contexte long, le raisonnement conservé et les budgets vidéo accrus aident à transporter plus d’éléments dans une tâche ; ils ne prouvent pas à eux seuls un rappel intégral, un raisonnement correct ou l’exécution d’une action externe.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.8-27b | 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 $0.00085 / 1K tokens Sortie · Tokens en sortie $0.0051 / 1K tokens Entrée · Lecture du cache $0.00017 / 1K tokens Entrée · Écriture dans le cache $0.0010625 / 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 $0.00085 / 1K tokens Sortie · Tokens en sortie $0.0051 / 1K tokens Entrée · Lecture du cache $0.00017 / 1K tokens Entrée · Écriture dans le cache $0.0010625 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.8-27b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.8-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.8-27b',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/qwen3.8-27b
Utilisez les chemins de méthode indiqués ci-dessus.
qwen/qwen3.8-27bQwen3.8-27B est le modèle vision-langage dense de Qwen pour le texte, les images et la vidéo, avec sortie textuelle. Il associe la programmation et les tâches d’agent prolongées à une réflexion réglable, à la conservation du raisonnement et à un contexte natif de 262 144 jetons, extensible à un million par configuration.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Points forts de Qwen3.8 dans un modèle vision-langage dense
Qwen3.8-27B apporte les améliorations de programmation, de travail professionnel, de recherche et de tâches d’agent de Qwen3.8 dans un modèle dense de 27 milliards de paramètres. Il accepte le texte, les images et la vidéo et renvoie du texte. Son périmètre visuel documenté comprend les schémas STEM, les pages de documents et les vidéos de l’ordre d’une heure. C’est un checkpoint distinct du Qwen3.8-2.4T-A95B beaucoup plus grand et uniquement textuel ; leurs capacités d’entrée et contrats de réflexion doivent donc rester séparés.
Qwen souligne la planification autonome, l’exploitation des retours de l’environnement et l’intégration avec des environnements de développement. Pour une tâche d’agent, fournissez l’objectif, les contenus pertinents, les outils autorisés et les éléments démontrant l’achèvement. Le modèle peut proposer et réviser des actions à partir des résultats renvoyés ; le logiciel connecté les exécute. Demandez le livrable final et les conditions non résolues plutôt que de considérer un plan comme un résultat exécuté.
Vue d’ensemble du modèle
Le modèle 27B comporte 64 couches de modèle linguistique. Sa structure hybride regroupe trois couches Gated DeltaNet suivies d’une couche d’attention à porte, avec des réseaux feed-forward denses. Il est entraîné avec une prédiction multi-jetons et comprend un encodeur visuel. Ces choix architecturaux décrivent le modèle publié ; ils n’impliquent pas une consommation mémoire ou une latence identiques dans chaque déploiement.
Le contexte natif est de 262 144 jetons, avec une extension documentée à 1 000 000. Le texte, la représentation visuelle, l’historique, la réflexion et la sortie finale partagent le budget de séquence configuré. Le concepteur décrit séparément une édition gérée avec des fonctions supplémentaires ; elles ne doivent pas être automatiquement attribuées au checkpoint ouvert.
Utiliser le texte, les images et la vidéo
Pour une tâche de code, fournissez la fonction ou le module pertinent, une entrée défaillante et le comportement attendu, puis demandez un correctif avec les hypothèses et les vérifications concernées. Pour un schéma, préservez les libellés et donnez la question complète. Pour un document, demandez des champs nommés ou des conclusions avec références de page. Pour une vidéo, précisez l’événement recherché et préservez son minutage.
L’exemple vidéo du concepteur utilise par défaut deux images par seconde dans son flux de service compatible, avec des contrôles d’échantillonnage facultatifs. Un résumé global de scène et un événement bref peuvent exiger des échantillonnages différents. Les indications pour les vidéos longues recommandent d’étendre le budget du processeur vidéo pour permettre un échantillonnage plus fréquent sur du contenu de l’ordre d’une heure, avec un exemple d’environ 224K jetons vidéo. Cela exige une configuration et concurrence les autres contenus du contexte ; ce n’est pas une garantie universelle de durée d’extrait.
Réflexion et raisonnement historique
La réflexion est activée par défaut et peut être désactivée par requête via enable_thinking du concepteur. reasoning_effort accepte xhigh, medium et low, avec xhigh par défaut. Un effort moindre peut raccourcir un tour, mais Qwen avertit qu’une analyse insuffisante dans les tâches d’agent peut provoquer des échecs et du travail répété, augmentant le temps total d’achèvement.
preserve_thinking est activé par défaut et conserve les blocs de raisonnement des messages historiques pour la continuité. Sa désactivation ne conserve que les blocs de réflexion générés pendant le traitement du dernier message utilisateur. Cela diffère des anciennes recommandations Qwen supprimant entièrement le raisonnement historique. Séparez le raisonnement du contenu final dans l’interface et préservez le format de conversation exact attendu par le checkpoint. Les contrôles du concepteur ne prouvent pas quels paramètres une autre application expose.
Recommandations de génération
Pour la réflexion, Qwen recommande temperature 1.0, top_p 0.95, top_k 20, min_p 0, une pénalité de présence de 0 et une pénalité de répétition de 1.0. Pour les réponses directes, les valeurs recommandées sont respectivement 0.7, 0.8, 20, 0, 1.5 et 1.0. Une pénalité de présence accrue peut réduire la répétition, mais mélanger les langues ou diminuer légèrement la qualité.
Dans un flux configuré à un million de jetons acceptant des limites séparées, le concepteur recommande des allocations de 262 144 jetons pour le raisonnement et de 131 072 pour la réponse finale. Ce sont des recommandations conditionnelles de budget, pas des plafonds stricts indépendants de sortie ni des allocations tenant simultanément dans le contexte natif.
Contexte ultra-long et limites
L’extension documentée utilise YaRN avec les réglages positionnels entrelacés propres au modèle. Un facteur de quatre vise le flux à un million de jetons ; pour une charge d’environ 524 288 jetons, le concepteur suggère un facteur de deux. La mise à l’échelle statique peut affecter la qualité sur les textes plus courts ; Qwen conseille donc de l’activer lorsque le contexte plus long est nécessaire. Ne copiez pas le facteur d’extrapolation d’une autre édition Qwen-VL sans sa propre recette.
Organisez les entrées longues par document, page ou identifiant de code et demandez un résultat vérifiable. Vérifiez les calculs, les petits libellés visuels et les correctifs générés par rapport à la source. Le contexte long, le raisonnement conservé et les budgets vidéo accrus aident à transporter plus d’éléments dans une tâche ; ils ne prouvent pas à eux seuls un rappel intégral, un raisonnement correct ou l’exécution d’une action externe.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.8-27b | 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 $0.00085 / 1K tokens Sortie · Tokens en sortie $0.0051 / 1K tokens Entrée · Lecture du cache $0.00017 / 1K tokens Entrée · Écriture dans le cache $0.0010625 / 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 $0.00085 / 1K tokens Sortie · Tokens en sortie $0.0051 / 1K tokens Entrée · Lecture du cache $0.00017 / 1K tokens Entrée · Écriture dans le cache $0.0010625 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen3.8-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.8-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.8-27b', '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/qwen3.8-27b
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Analyze a circuit described in text\n\nA written circuit description gives two 6-ohm resistors connected in parallel across an ideal 12-volt source. Assume ideal wires and constant resistance. Derive the equivalent resistance, total current and current through each branch. Show the formulas and verify that branch currents add to the total. No circuit image or execution tool is provided.A short derivation with units, three requested quantities and a current-sum check.Equivalent resistance is 3 ohms and the two equal branch currents sum to the derived total current.