Points forts : un modèle conçu pour les agents de programmation
Qwen3-Coder-Next est un modèle textuel ouvert conçu spécialement pour les agents de programmation et les processus de développement. Qwen décrit la résolution de problèmes à long horizon, l’utilisation complexe d’outils et la récupération après des échecs d’exécution, avec une adaptation à différents environnements de développement pour agents. Il accepte du texte et en produit, dont du code, des explications et des demandes d’outils. Ce checkpoint Coder-Next précis possède son propre contrat non-Thinking ; les éditions Thinking de la famille Next élargie ne devraient pas lui être substituées.
Pour une tâche de développement, fournissez les fichiers ou extraits pertinents, le comportement voulu et l’entrée illustrant un problème. Demandez une modification éditable et une explication liée à ces conditions. Pour une tâche en plusieurs étapes, définissez l’objectif, les outils autorisés et les observations indiquant sa fin. Revoyez la modification proposée et son explication par rapport aux fichiers fournis, à l’entrée déclenchant l’échec et aux critères de fin.
Vue d’ensemble du modèle
Le modèle compte 80 milliards de paramètres au total et en active trois milliards. Sa structure hybride de 48 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Le fabricant indique 512 experts, dix experts activés et un expert partagé. Le faible nombre actif est une caractéristique de calcul du modèle clairsemé, pas la taille du checkpoint complet.
Le contexte natif est de 262 144 tokens. Les exemples du fabricant autorisent un contexte plus petit, comme 32 768, lorsque les contraintes mémoire empêchent la configuration plus grande de fonctionner. Code source, historique, observations d’outils et texte généré doivent tenir dans l’espace de séquence configuré. La fiche n’établit pas d’extension par défaut à un million de tokens pour ce checkpoint.
Utiliser l’interface textuelle non-Thinking
Coder-Next prend uniquement en charge le mode non-Thinking et ne génère pas de blocs Thinking explicites. Le réglage enable_thinking=False est inutile dans l’exemple du fabricant. Il peut toujours expliquer un patch, discuter un algorithme ou raisonner en texte ordinaire ; non-Thinking décrit le mode de sortie plutôt qu’une interdiction d’expliquer.
Le démarrage rapide demande un algorithme de tri et utilise un espace de génération de 65 536 tokens. C’est un budget illustratif, pas un plafond strict de sortie publié séparément. Précisez le format et les contraintes du livrable : langage, interfaces pertinentes, comportement requis et présence attendue d’un patch, d’une fonction complète ou d’une explication. Séparez le résultat éditable des commentaires pour faciliter sa revue.
Environnements d’agents de développement et contexte
Le fabricant souligne la compatibilité avec les environnements d’agents de type CLI et IDE, dont Qwen Code. L’environnement fournit état du projet, définitions d’outils, observations et format de conversation. Conservez ces entrées de manière cohérente pendant une tâche à plusieurs étapes. Lorsqu’un outil signale une vérification défaillante, fournissez l’erreur réelle et le code modifié pertinent plutôt que de demander simplement au modèle de réessayer.
Le travail à long horizon bénéficie d’un état visible de la tâche : observation, modification proposée et condition encore non résolue. Une observation d’outil diffère d’une affirmation dans du texte généré. La capacité de récupération du modèle ne devrait être considérée ni comme une autorisation automatique d’exécuter des commandes ni comme une garantie de réussite de chaque récupération.
Programmation de type agent et appels d’outils
Qwen documente des définitions d’outils de type fonction, avec noms, descriptions, schémas d’entrée et champs requis. Fournissez une définition précise et le sens attendu de la valeur de retour. L’application exécute un outil choisi et renvoie son résultat ; le modèle l’utilise ensuite à l’étape suivante. L’appel d’outil seul ne donne accès ni au système de fichiers, ni aux sources actuelles, ni à un environnement d’exécution.
Pour un agent modifiant un dépôt, limitez les fichiers autorisés et le livrable demandé. Un rapport final utile peut identifier les modules touchés, expliquer la modification et énumérer les résultats réels renvoyés par les vérifications connectées. Distinguez commandes proposées, code généré et opérations terminées. Ce sont des exemples pratiques fondés sur le périmètre documenté de développement et d’outils.
Recommandations de génération
Le fabricant recommande temperature 1,0, top_p 0,95 et top_k 40. Ces réglages précis diffèrent de ceux de plusieurs modèles conversationnels Qwen et doivent rester propres à Coder-Next. La configuration publiée utilise une architecture de modèle linguistique causal Qwen3-Next. Utilisez de manière cohérente le nom et le gabarit de conversation documentés de ce checkpoint dans le processus de programmation.
Limites substantielles
L’entrée documentée est textuelle ; captures d’écran, audio ou vidéos nécessitent donc une représentation séparée adaptée avant ce processus de code. Contexte natif et budgets de génération illustratifs sont finis ; retirez le code sans rapport et réservez de la place pour le livrable. Vérifiez syntaxe générée, interfaces, cas limites et modifications proposées dans le processus réel de développement. La sortie utile est un livrable de code ou d’explication vérifiable, étayé par les éléments réels de la tâche, conservant l’identité textuelle et non-Thinking de ce checkpoint.
", "aboutText": "Points forts : un modèle conçu pour les agents de programmation\n\nQwen3-Coder-Next est un modèle textuel ouvert conçu spécialement pour les agents de programmation et les processus de développement. Qwen décrit la résolution de problèmes à long horizon, l’utilisation complexe d’outils et la récupération après des échecs d’exécution, avec une adaptation à différents environnements de développement pour agents. Il accepte du texte et en produit, dont du code, des explications et des demandes d’outils. Ce checkpoint Coder-Next précis possède son propre contrat non-Thinking ; les éditions Thinking de la famille Next élargie ne devraient pas lui être substituées.\n\nPour une tâche de développement, fournissez les fichiers ou extraits pertinents, le comportement voulu et l’entrée illustrant un problème. Demandez une modification éditable et une explication liée à ces conditions. Pour une tâche en plusieurs étapes, définissez l’objectif, les outils autorisés et les observations indiquant sa fin. Revoyez la modification proposée et son explication par rapport aux fichiers fournis, à l’entrée déclenchant l’échec et aux critères de fin.\n\nVue d’ensemble du modèle\n\nLe modèle compte 80 milliards de paramètres au total et en active trois milliards. Sa structure hybride de 48 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Le fabricant indique 512 experts, dix experts activés et un expert partagé. Le faible nombre actif est une caractéristique de calcul du modèle clairsemé, pas la taille du checkpoint complet.\n\nLe contexte natif est de 262 144 tokens. Les exemples du fabricant autorisent un contexte plus petit, comme 32 768, lorsque les contraintes mémoire empêchent la configuration plus grande de fonctionner. Code source, historique, observations d’outils et texte généré doivent tenir dans l’espace de séquence configuré. La fiche n’établit pas d’extension par défaut à un million de tokens pour ce checkpoint.\n\nUtiliser l’interface textuelle non-Thinking\n\nCoder-Next prend uniquement en charge le mode non-Thinking et ne génère pas de blocs Thinking explicites. Le réglage enable_thinking=False est inutile dans l’exemple du fabricant. Il peut toujours expliquer un patch, discuter un algorithme ou raisonner en texte ordinaire ; non-Thinking décrit le mode de sortie plutôt qu’une interdiction d’expliquer.\n\nLe démarrage rapide demande un algorithme de tri et utilise un espace de génération de 65 536 tokens. C’est un budget illustratif, pas un plafond strict de sortie publié séparément. Précisez le format et les contraintes du livrable : langage, interfaces pertinentes, comportement requis et présence attendue d’un patch, d’une fonction complète ou d’une explication. Séparez le résultat éditable des commentaires pour faciliter sa revue.\n\nEnvironnements d’agents de développement et contexte\n\nLe fabricant souligne la compatibilité avec les environnements d’agents de type CLI et IDE, dont Qwen Code. L’environnement fournit état du projet, définitions d’outils, observations et format de conversation. Conservez ces entrées de manière cohérente pendant une tâche à plusieurs étapes. Lorsqu’un outil signale une vérification défaillante, fournissez l’erreur réelle et le code modifié pertinent plutôt que de demander simplement au modèle de réessayer.\n\nLe travail à long horizon bénéficie d’un état visible de la tâche : observation, modification proposée et condition encore non résolue. Une observation d’outil diffère d’une affirmation dans du texte généré. La capacité de récupération du modèle ne devrait être considérée ni comme une autorisation automatique d’exécuter des commandes ni comme une garantie de réussite de chaque récupération.\n\nProgrammation de type agent et appels d’outils\n\nQwen documente des définitions d’outils de type fonction, avec noms, descriptions, schémas d’entrée et champs requis. Fournissez une définition précise et le sens attendu de la valeur de retour. L’application exécute un outil choisi et renvoie son résultat ; le modèle l’utilise ensuite à l’étape suivante. L’appel d’outil seul ne donne accès ni au système de fichiers, ni aux sources actuelles, ni à un environnement d’exécution.\n\nPour un agent modifiant un dépôt, limitez les fichiers autorisés et le livrable demandé. Un rapport final utile peut identifier les modules touchés, expliquer la modification et énumérer les résultats réels renvoyés par les vérifications connectées. Distinguez commandes proposées, code généré et opérations terminées. Ce sont des exemples pratiques fondés sur le périmètre documenté de développement et d’outils.\n\nRecommandations de génération\n\nLe fabricant recommande temperature 1,0, top_p 0,95 et top_k 40. Ces réglages précis diffèrent de ceux de plusieurs modèles conversationnels Qwen et doivent rester propres à Coder-Next. La configuration publiée utilise une architecture de modèle linguistique causal Qwen3-Next. Utilisez de manière cohérente le nom et le gabarit de conversation documentés de ce checkpoint dans le processus de programmation.\n\nLimites substantielles\n\nL’entrée documentée est textuelle ; captures d’écran, audio ou vidéos nécessitent donc une représentation séparée adaptée avant ce processus de code. Contexte natif et budgets de génération illustratifs sont finis ; retirez le code sans rapport et réservez de la place pour le livrable. Vérifiez syntaxe générée, interfaces, cas limites et modifications proposées dans le processus réel de développement. La sortie utile est un livrable de code ou d’explication vérifiable, étayé par les éléments réels de la tâche, conservant l’identité textuelle et non-Thinking de ce checkpoint.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Implement a stable partition helper\n\nWrite a Python function partition_even(values) returning two new lists: even integers first and odd integers second. Preserve order within each list and do not mutate values. Provide tests for negative integers, repeated values and empty input. Return the complete function separately from the explanation, with no claim that tests have been executed.A complete function, tests for the named cases and a brief order-preservation explanation.Check that each input occurrence appears exactly once in the appropriate result list and that source order is retained.qwen/qwen3-coder-nextQwen3-Coder-Next est le modèle textuel d’agent de programmation de Qwen, avec 80 milliards de paramètres au total et 3 milliards activés. Il utilise une sortie non-Thinking, un contexte natif de 262 144 tokens et des appels d’outils pour le développement, dont les tâches à plusieurs étapes et la récupération grâce aux retours d’exécution.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Points forts : un modèle conçu pour les agents de programmation
Qwen3-Coder-Next est un modèle textuel ouvert conçu spécialement pour les agents de programmation et les processus de développement. Qwen décrit la résolution de problèmes à long horizon, l’utilisation complexe d’outils et la récupération après des échecs d’exécution, avec une adaptation à différents environnements de développement pour agents. Il accepte du texte et en produit, dont du code, des explications et des demandes d’outils. Ce checkpoint Coder-Next précis possède son propre contrat non-Thinking ; les éditions Thinking de la famille Next élargie ne devraient pas lui être substituées.
Pour une tâche de développement, fournissez les fichiers ou extraits pertinents, le comportement voulu et l’entrée illustrant un problème. Demandez une modification éditable et une explication liée à ces conditions. Pour une tâche en plusieurs étapes, définissez l’objectif, les outils autorisés et les observations indiquant sa fin. Revoyez la modification proposée et son explication par rapport aux fichiers fournis, à l’entrée déclenchant l’échec et aux critères de fin.
Vue d’ensemble du modèle
Le modèle compte 80 milliards de paramètres au total et en active trois milliards. Sa structure hybride de 48 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Le fabricant indique 512 experts, dix experts activés et un expert partagé. Le faible nombre actif est une caractéristique de calcul du modèle clairsemé, pas la taille du checkpoint complet.
Le contexte natif est de 262 144 tokens. Les exemples du fabricant autorisent un contexte plus petit, comme 32 768, lorsque les contraintes mémoire empêchent la configuration plus grande de fonctionner. Code source, historique, observations d’outils et texte généré doivent tenir dans l’espace de séquence configuré. La fiche n’établit pas d’extension par défaut à un million de tokens pour ce checkpoint.
Utiliser l’interface textuelle non-Thinking
Coder-Next prend uniquement en charge le mode non-Thinking et ne génère pas de blocs Thinking explicites. Le réglage enable_thinking=False est inutile dans l’exemple du fabricant. Il peut toujours expliquer un patch, discuter un algorithme ou raisonner en texte ordinaire ; non-Thinking décrit le mode de sortie plutôt qu’une interdiction d’expliquer.
Le démarrage rapide demande un algorithme de tri et utilise un espace de génération de 65 536 tokens. C’est un budget illustratif, pas un plafond strict de sortie publié séparément. Précisez le format et les contraintes du livrable : langage, interfaces pertinentes, comportement requis et présence attendue d’un patch, d’une fonction complète ou d’une explication. Séparez le résultat éditable des commentaires pour faciliter sa revue.
Environnements d’agents de développement et contexte
Le fabricant souligne la compatibilité avec les environnements d’agents de type CLI et IDE, dont Qwen Code. L’environnement fournit état du projet, définitions d’outils, observations et format de conversation. Conservez ces entrées de manière cohérente pendant une tâche à plusieurs étapes. Lorsqu’un outil signale une vérification défaillante, fournissez l’erreur réelle et le code modifié pertinent plutôt que de demander simplement au modèle de réessayer.
Le travail à long horizon bénéficie d’un état visible de la tâche : observation, modification proposée et condition encore non résolue. Une observation d’outil diffère d’une affirmation dans du texte généré. La capacité de récupération du modèle ne devrait être considérée ni comme une autorisation automatique d’exécuter des commandes ni comme une garantie de réussite de chaque récupération.
Programmation de type agent et appels d’outils
Qwen documente des définitions d’outils de type fonction, avec noms, descriptions, schémas d’entrée et champs requis. Fournissez une définition précise et le sens attendu de la valeur de retour. L’application exécute un outil choisi et renvoie son résultat ; le modèle l’utilise ensuite à l’étape suivante. L’appel d’outil seul ne donne accès ni au système de fichiers, ni aux sources actuelles, ni à un environnement d’exécution.
Pour un agent modifiant un dépôt, limitez les fichiers autorisés et le livrable demandé. Un rapport final utile peut identifier les modules touchés, expliquer la modification et énumérer les résultats réels renvoyés par les vérifications connectées. Distinguez commandes proposées, code généré et opérations terminées. Ce sont des exemples pratiques fondés sur le périmètre documenté de développement et d’outils.
Recommandations de génération
Le fabricant recommande temperature 1,0, top_p 0,95 et top_k 40. Ces réglages précis diffèrent de ceux de plusieurs modèles conversationnels Qwen et doivent rester propres à Coder-Next. La configuration publiée utilise une architecture de modèle linguistique causal Qwen3-Next. Utilisez de manière cohérente le nom et le gabarit de conversation documentés de ce checkpoint dans le processus de programmation.
Limites substantielles
L’entrée documentée est textuelle ; captures d’écran, audio ou vidéos nécessitent donc une représentation séparée adaptée avant ce processus de code. Contexte natif et budgets de génération illustratifs sont finis ; retirez le code sans rapport et réservez de la place pour le livrable. Vérifiez syntaxe générée, interfaces, cas limites et modifications proposées dans le processus réel de développement. La sortie utile est un livrable de code ou d’explication vérifiable, étayé par les éléments réels de la tâche, conservant l’identité textuelle et non-Thinking de ce checkpoint.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3-coder-next | 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 $0.00024 / 1K tokens Sortie · Tokens en sortie $0.0016 / 1K tokens Entrée · Lecture du cache $0.00014 / 1K tokens Entrée · Écriture dans le cache — / 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 $0.00024 / 1K tokens Sortie · Tokens en sortie $0.0016 / 1K tokens Entrée · Lecture du cache $0.00014 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-coder-next", "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-coder-next',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-coder-next',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-coder-next
Utilisez les chemins de méthode indiqués ci-dessus.
qwen/qwen3-coder-nextQwen3-Coder-Next est le modèle textuel d’agent de programmation de Qwen, avec 80 milliards de paramètres au total et 3 milliards activés. Il utilise une sortie non-Thinking, un contexte natif de 262 144 tokens et des appels d’outils pour le développement, dont les tâches à plusieurs étapes et la récupération grâce aux retours d’exécution.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Points forts : un modèle conçu pour les agents de programmation
Qwen3-Coder-Next est un modèle textuel ouvert conçu spécialement pour les agents de programmation et les processus de développement. Qwen décrit la résolution de problèmes à long horizon, l’utilisation complexe d’outils et la récupération après des échecs d’exécution, avec une adaptation à différents environnements de développement pour agents. Il accepte du texte et en produit, dont du code, des explications et des demandes d’outils. Ce checkpoint Coder-Next précis possède son propre contrat non-Thinking ; les éditions Thinking de la famille Next élargie ne devraient pas lui être substituées.
Pour une tâche de développement, fournissez les fichiers ou extraits pertinents, le comportement voulu et l’entrée illustrant un problème. Demandez une modification éditable et une explication liée à ces conditions. Pour une tâche en plusieurs étapes, définissez l’objectif, les outils autorisés et les observations indiquant sa fin. Revoyez la modification proposée et son explication par rapport aux fichiers fournis, à l’entrée déclenchant l’échec et aux critères de fin.
Vue d’ensemble du modèle
Le modèle compte 80 milliards de paramètres au total et en active trois milliards. Sa structure hybride de 48 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Le fabricant indique 512 experts, dix experts activés et un expert partagé. Le faible nombre actif est une caractéristique de calcul du modèle clairsemé, pas la taille du checkpoint complet.
Le contexte natif est de 262 144 tokens. Les exemples du fabricant autorisent un contexte plus petit, comme 32 768, lorsque les contraintes mémoire empêchent la configuration plus grande de fonctionner. Code source, historique, observations d’outils et texte généré doivent tenir dans l’espace de séquence configuré. La fiche n’établit pas d’extension par défaut à un million de tokens pour ce checkpoint.
Utiliser l’interface textuelle non-Thinking
Coder-Next prend uniquement en charge le mode non-Thinking et ne génère pas de blocs Thinking explicites. Le réglage enable_thinking=False est inutile dans l’exemple du fabricant. Il peut toujours expliquer un patch, discuter un algorithme ou raisonner en texte ordinaire ; non-Thinking décrit le mode de sortie plutôt qu’une interdiction d’expliquer.
Le démarrage rapide demande un algorithme de tri et utilise un espace de génération de 65 536 tokens. C’est un budget illustratif, pas un plafond strict de sortie publié séparément. Précisez le format et les contraintes du livrable : langage, interfaces pertinentes, comportement requis et présence attendue d’un patch, d’une fonction complète ou d’une explication. Séparez le résultat éditable des commentaires pour faciliter sa revue.
Environnements d’agents de développement et contexte
Le fabricant souligne la compatibilité avec les environnements d’agents de type CLI et IDE, dont Qwen Code. L’environnement fournit état du projet, définitions d’outils, observations et format de conversation. Conservez ces entrées de manière cohérente pendant une tâche à plusieurs étapes. Lorsqu’un outil signale une vérification défaillante, fournissez l’erreur réelle et le code modifié pertinent plutôt que de demander simplement au modèle de réessayer.
Le travail à long horizon bénéficie d’un état visible de la tâche : observation, modification proposée et condition encore non résolue. Une observation d’outil diffère d’une affirmation dans du texte généré. La capacité de récupération du modèle ne devrait être considérée ni comme une autorisation automatique d’exécuter des commandes ni comme une garantie de réussite de chaque récupération.
Programmation de type agent et appels d’outils
Qwen documente des définitions d’outils de type fonction, avec noms, descriptions, schémas d’entrée et champs requis. Fournissez une définition précise et le sens attendu de la valeur de retour. L’application exécute un outil choisi et renvoie son résultat ; le modèle l’utilise ensuite à l’étape suivante. L’appel d’outil seul ne donne accès ni au système de fichiers, ni aux sources actuelles, ni à un environnement d’exécution.
Pour un agent modifiant un dépôt, limitez les fichiers autorisés et le livrable demandé. Un rapport final utile peut identifier les modules touchés, expliquer la modification et énumérer les résultats réels renvoyés par les vérifications connectées. Distinguez commandes proposées, code généré et opérations terminées. Ce sont des exemples pratiques fondés sur le périmètre documenté de développement et d’outils.
Recommandations de génération
Le fabricant recommande temperature 1,0, top_p 0,95 et top_k 40. Ces réglages précis diffèrent de ceux de plusieurs modèles conversationnels Qwen et doivent rester propres à Coder-Next. La configuration publiée utilise une architecture de modèle linguistique causal Qwen3-Next. Utilisez de manière cohérente le nom et le gabarit de conversation documentés de ce checkpoint dans le processus de programmation.
Limites substantielles
L’entrée documentée est textuelle ; captures d’écran, audio ou vidéos nécessitent donc une représentation séparée adaptée avant ce processus de code. Contexte natif et budgets de génération illustratifs sont finis ; retirez le code sans rapport et réservez de la place pour le livrable. Vérifiez syntaxe générée, interfaces, cas limites et modifications proposées dans le processus réel de développement. La sortie utile est un livrable de code ou d’explication vérifiable, étayé par les éléments réels de la tâche, conservant l’identité textuelle et non-Thinking de ce checkpoint.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3-coder-next | 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 $0.00024 / 1K tokens Sortie · Tokens en sortie $0.0016 / 1K tokens Entrée · Lecture du cache $0.00014 / 1K tokens Entrée · Écriture dans le cache — / 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 $0.00024 / 1K tokens Sortie · Tokens en sortie $0.0016 / 1K tokens Entrée · Lecture du cache $0.00014 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen3-coder-next",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-coder-next', '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-coder-next', '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-coder-next
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Implement a stable partition helper\n\nWrite a Python function partition_even(values) returning two new lists: even integers first and odd integers second. Preserve order within each list and do not mutate values. Provide tests for negative integers, repeated values and empty input. Return the complete function separately from the explanation, with no claim that tests have been executed.A complete function, tests for the named cases and a brief order-preservation explanation.Check that each input occurrence appears exactly once in the appropriate result list and that source order is retained.