Points forts de Qwen3-Next : instructions textuelles directes
Qwen3-Next-80B-A3B-Instruct est l’édition textuelle Instruct, non-Thinking, de Qwen3-Next. Elle accepte et renvoie du texte, dont des explications, propositions de code et livrables documentaires demandés. Elle ne génère pas de blocs Thinking explicites. Distinguez-la de l’édition Thinking et de Qwen3-Coder-Next, spécialisé dans le code ; partager une architecture de famille ne rend pas leurs contrats de réponse interchangeables.
La famille introduit une attention hybride associant Gated DeltaNet et attention à portes, des experts à activation fortement parcimonieuse, des optimisations de stabilité dont une normalisation des couches centrée sur zéro avec décroissance des poids, et une prédiction de plusieurs tokens. Ces changements concernent représentation et entraînement des longues séquences. Leur efficacité d’inférence dépend de l’implémentation ; les chiffres d’architecture ne devraient donc pas devenir une garantie fixe de latence ou de débit.
Vue d’ensemble du modèle
Le checkpoint possède 80 milliards de paramètres au total et en active trois milliards. Il a 48 couches dans un motif d’experts répété de trois DeltaNet pour une attention à portes. Le fabricant indique 512 experts, dix experts activés et un expert partagé, avec préentraînement sur 15 billions de tokens suivi d’un post-entraînement. Les paramètres actifs ne sont pas la taille du checkpoint complet.
Le contexte natif est de 262 144 tokens, avec une extension documentée à 1 010 000. Les exemples de déploiement du fabricant autorisent un contexte plus petit, comme 32 768, lorsque les contraintes de ressources empêchent le réglage plus grand de fonctionner. Texte, historique de conversation, observations d’outils et contenu généré se partagent l’espace de séquence configuré. L’extension est une voie de configuration supplémentaire, pas une entrée illimitée par défaut.
Utiliser l’interface Instruct
Ce modèle prend uniquement en charge le mode Instruct, non-Thinking. Il peut expliquer un algorithme, montrer des calculs ou justifier une conclusion en texte ordinaire sans produire un bloc Thinking dédié. Demandez le format et les limites du livrable : fonction complète, rapport concis, tableau de preuves ou réponse avec étapes justificatives. Une longue explication demandée ne le transforme pas en checkpoint Thinking nommé séparément.
Pour un document, conservez les identifiants de sections et définissez les questions auxquelles le rapport doit répondre. Pour le code, fournissez la fonction ou le module pertinent, les contraintes d’entrée et la sortie attendue. Pour les mathématiques, donnez l’énoncé complet et demandez un résultat final délimité. Comparez calculs, code ou explication renvoyés aux conditions fournies et aux résultats réels.
Implémentation et outils
Le fabricant documente les appels d’outils et recommande Qwen-Agent pour les gabarits et l’analyse, avec des outils configurés ou reliés par MCP. Un processus connecté peut fournir recherche, inspection ou exécution autorisée et renvoyer des observations réelles. Précisez outils, actions autorisées et conditions visibles de fin, puis demandez que le rapport final distingue les propositions des résultats réellement renvoyés.
La prédiction de plusieurs tokens fait partie de l’entraînement, mais son utilisation en inférence dépend de l’implémentation et n’est pas généralement disponible dans tous les processus légers. Un gabarit ou une fonction d’architecture n’établit pas d’accès aux sources actuelles, fichiers ou environnements de code. Conservez le modèle précis et le format de conversation utilisés par l’interface choisie.
Textes extrêmement longs
Le fabricant valide un contexte d’environ un million de tokens avec YaRN et donne une procédure de facteur quatre fondée sur les 262 144 positions natives. Pour des tâches de 524 288 tokens, il suggère un facteur deux. La mise à l’échelle statique peut réduire les performances sur les textes courts ; la configuration devrait donc suivre le besoin réel de longues entrées.
Organisez les longs éléments par document, chemin de code ou section et retirez les répétitions sans rapport. Demandez que la réponse identifie les passages ou conditions qui l’étayent. Réservez de la place pour la réponse plutôt que de traiter le contexte maximal comme un rappel complet de chaque détail fourni. Le chiffre d’extension publié de 1 010 000 et la validation autour d’un million restent propres au processus de long contexte du fabricant.
Conseils de génération
Best Practices recommande temperature 0,7, top_p 0,8, top_k 20 et min_p 0. Lorsque c’est pris en charge, une pénalité de présence entre zéro et deux peut réduire le texte répété, mais des valeurs élevées peuvent mélanger les langues ou légèrement diminuer la qualité. Le fabricant recommande un espace de sortie de 16 384 tokens pour la plupart des questions. C’est un budget recommandé plutôt qu’un maximum strict indépendant ; il ne devrait pas hériter des budgets plus longs de l’édition Thinking.
Précisez explicitement la forme du résultat, par exemple délimiteur mathématique ou champ de réponse. Gardez le livrable final facilement vérifiable et contrôlez calculs, citations ou code à partir de la source. Cette édition textuelle n’accepte pas images, audio ou vidéos comme entrée propre ; ces éléments nécessitent donc une représentation séparée adaptée avant de servir la tâche.
Résultat pratique
La sortie utile est un livrable textuel concret fondé sur les conditions fournies : explication documentaire, proposition de code ou réponse directe avec les détails justificatifs requis. Le long contexte et les appels d’outils peuvent faire circuler davantage de preuves dans un processus, tandis que le contrat non-Thinking garde clair le style de sortie de cette édition précise. Vérifiez le résultat dans l’environnement réel de la tâche plutôt que d’inférer sa justesse de sa longueur ou de son ton assuré.
", "aboutText": "Points forts de Qwen3-Next : instructions textuelles directes\n\nQwen3-Next-80B-A3B-Instruct est l’édition textuelle Instruct, non-Thinking, de Qwen3-Next. Elle accepte et renvoie du texte, dont des explications, propositions de code et livrables documentaires demandés. Elle ne génère pas de blocs Thinking explicites. Distinguez-la de l’édition Thinking et de Qwen3-Coder-Next, spécialisé dans le code ; partager une architecture de famille ne rend pas leurs contrats de réponse interchangeables.\n\nLa famille introduit une attention hybride associant Gated DeltaNet et attention à portes, des experts à activation fortement parcimonieuse, des optimisations de stabilité dont une normalisation des couches centrée sur zéro avec décroissance des poids, et une prédiction de plusieurs tokens. Ces changements concernent représentation et entraînement des longues séquences. Leur efficacité d’inférence dépend de l’implémentation ; les chiffres d’architecture ne devraient donc pas devenir une garantie fixe de latence ou de débit.\n\nVue d’ensemble du modèle\n\nLe checkpoint possède 80 milliards de paramètres au total et en active trois milliards. Il a 48 couches dans un motif d’experts répété de trois DeltaNet pour une attention à portes. Le fabricant indique 512 experts, dix experts activés et un expert partagé, avec préentraînement sur 15 billions de tokens suivi d’un post-entraînement. Les paramètres actifs ne sont pas la taille du checkpoint complet.\n\nLe contexte natif est de 262 144 tokens, avec une extension documentée à 1 010 000. Les exemples de déploiement du fabricant autorisent un contexte plus petit, comme 32 768, lorsque les contraintes de ressources empêchent le réglage plus grand de fonctionner. Texte, historique de conversation, observations d’outils et contenu généré se partagent l’espace de séquence configuré. L’extension est une voie de configuration supplémentaire, pas une entrée illimitée par défaut.\n\nUtiliser l’interface Instruct\n\nCe modèle prend uniquement en charge le mode Instruct, non-Thinking. Il peut expliquer un algorithme, montrer des calculs ou justifier une conclusion en texte ordinaire sans produire un bloc Thinking dédié. Demandez le format et les limites du livrable : fonction complète, rapport concis, tableau de preuves ou réponse avec étapes justificatives. Une longue explication demandée ne le transforme pas en checkpoint Thinking nommé séparément.\n\nPour un document, conservez les identifiants de sections et définissez les questions auxquelles le rapport doit répondre. Pour le code, fournissez la fonction ou le module pertinent, les contraintes d’entrée et la sortie attendue. Pour les mathématiques, donnez l’énoncé complet et demandez un résultat final délimité. Comparez calculs, code ou explication renvoyés aux conditions fournies et aux résultats réels.\n\nImplémentation et outils\n\nLe fabricant documente les appels d’outils et recommande Qwen-Agent pour les gabarits et l’analyse, avec des outils configurés ou reliés par MCP. Un processus connecté peut fournir recherche, inspection ou exécution autorisée et renvoyer des observations réelles. Précisez outils, actions autorisées et conditions visibles de fin, puis demandez que le rapport final distingue les propositions des résultats réellement renvoyés.\n\nLa prédiction de plusieurs tokens fait partie de l’entraînement, mais son utilisation en inférence dépend de l’implémentation et n’est pas généralement disponible dans tous les processus légers. Un gabarit ou une fonction d’architecture n’établit pas d’accès aux sources actuelles, fichiers ou environnements de code. Conservez le modèle précis et le format de conversation utilisés par l’interface choisie.\n\nTextes extrêmement longs\n\nLe fabricant valide un contexte d’environ un million de tokens avec YaRN et donne une procédure de facteur quatre fondée sur les 262 144 positions natives. Pour des tâches de 524 288 tokens, il suggère un facteur deux. La mise à l’échelle statique peut réduire les performances sur les textes courts ; la configuration devrait donc suivre le besoin réel de longues entrées.\n\nOrganisez les longs éléments par document, chemin de code ou section et retirez les répétitions sans rapport. Demandez que la réponse identifie les passages ou conditions qui l’étayent. Réservez de la place pour la réponse plutôt que de traiter le contexte maximal comme un rappel complet de chaque détail fourni. Le chiffre d’extension publié de 1 010 000 et la validation autour d’un million restent propres au processus de long contexte du fabricant.\n\nConseils de génération\n\nBest Practices recommande temperature 0,7, top_p 0,8, top_k 20 et min_p 0. Lorsque c’est pris en charge, une pénalité de présence entre zéro et deux peut réduire le texte répété, mais des valeurs élevées peuvent mélanger les langues ou légèrement diminuer la qualité. Le fabricant recommande un espace de sortie de 16 384 tokens pour la plupart des questions. C’est un budget recommandé plutôt qu’un maximum strict indépendant ; il ne devrait pas hériter des budgets plus longs de l’édition Thinking.\n\nPrécisez explicitement la forme du résultat, par exemple délimiteur mathématique ou champ de réponse. Gardez le livrable final facilement vérifiable et contrôlez calculs, citations ou code à partir de la source. Cette édition textuelle n’accepte pas images, audio ou vidéos comme entrée propre ; ces éléments nécessitent donc une représentation séparée adaptée avant de servir la tâche.\n\nRésultat pratique\n\nLa sortie utile est un livrable textuel concret fondé sur les conditions fournies : explication documentaire, proposition de code ou réponse directe avec les détails justificatifs requis. Le long contexte et les appels d’outils peuvent faire circuler davantage de preuves dans un processus, tandis que le contrat non-Thinking garde clair le style de sortie de cette édition précise. Vérifiez le résultat dans l’environnement réel de la tâche plutôt que d’inférer sa justesse de sa longueur ou de son ton assuré.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Explain a section-specific decision\n\nAnswer only from these procedure sections. Section 2: standard purchases need a manager's approval. Section 4: emergency safety purchases may proceed first, but must be reported to that manager within one day. Case: a broken emergency exit light needs replacement today. Give a concise recommendation with section references and identify the follow-up obligation. Do not invent an approval already granted.A direct recommendation with supporting sections and the one-day reporting obligation.The emergency exception retains its reporting condition and is not generalised to all purchases.qwen/qwen3-next-80b-a3b-instructQwen3-Next-80B-A3B-Instruct est l’édition textuelle non-Thinking de Qwen, avec 80 milliards de paramètres au total et 3 milliards activés. Elle associe attention hybride, experts à activation parcimonieuse et appels d’outils à un contexte natif de 262 144 tokens, extensible à 1 010 000 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-Next : instructions textuelles directes
Qwen3-Next-80B-A3B-Instruct est l’édition textuelle Instruct, non-Thinking, de Qwen3-Next. Elle accepte et renvoie du texte, dont des explications, propositions de code et livrables documentaires demandés. Elle ne génère pas de blocs Thinking explicites. Distinguez-la de l’édition Thinking et de Qwen3-Coder-Next, spécialisé dans le code ; partager une architecture de famille ne rend pas leurs contrats de réponse interchangeables.
La famille introduit une attention hybride associant Gated DeltaNet et attention à portes, des experts à activation fortement parcimonieuse, des optimisations de stabilité dont une normalisation des couches centrée sur zéro avec décroissance des poids, et une prédiction de plusieurs tokens. Ces changements concernent représentation et entraînement des longues séquences. Leur efficacité d’inférence dépend de l’implémentation ; les chiffres d’architecture ne devraient donc pas devenir une garantie fixe de latence ou de débit.
Vue d’ensemble du modèle
Le checkpoint possède 80 milliards de paramètres au total et en active trois milliards. Il a 48 couches dans un motif d’experts répété de trois DeltaNet pour une attention à portes. Le fabricant indique 512 experts, dix experts activés et un expert partagé, avec préentraînement sur 15 billions de tokens suivi d’un post-entraînement. Les paramètres actifs ne sont pas la taille du checkpoint complet.
Le contexte natif est de 262 144 tokens, avec une extension documentée à 1 010 000. Les exemples de déploiement du fabricant autorisent un contexte plus petit, comme 32 768, lorsque les contraintes de ressources empêchent le réglage plus grand de fonctionner. Texte, historique de conversation, observations d’outils et contenu généré se partagent l’espace de séquence configuré. L’extension est une voie de configuration supplémentaire, pas une entrée illimitée par défaut.
Utiliser l’interface Instruct
Ce modèle prend uniquement en charge le mode Instruct, non-Thinking. Il peut expliquer un algorithme, montrer des calculs ou justifier une conclusion en texte ordinaire sans produire un bloc Thinking dédié. Demandez le format et les limites du livrable : fonction complète, rapport concis, tableau de preuves ou réponse avec étapes justificatives. Une longue explication demandée ne le transforme pas en checkpoint Thinking nommé séparément.
Pour un document, conservez les identifiants de sections et définissez les questions auxquelles le rapport doit répondre. Pour le code, fournissez la fonction ou le module pertinent, les contraintes d’entrée et la sortie attendue. Pour les mathématiques, donnez l’énoncé complet et demandez un résultat final délimité. Comparez calculs, code ou explication renvoyés aux conditions fournies et aux résultats réels.
Implémentation et outils
Le fabricant documente les appels d’outils et recommande Qwen-Agent pour les gabarits et l’analyse, avec des outils configurés ou reliés par MCP. Un processus connecté peut fournir recherche, inspection ou exécution autorisée et renvoyer des observations réelles. Précisez outils, actions autorisées et conditions visibles de fin, puis demandez que le rapport final distingue les propositions des résultats réellement renvoyés.
La prédiction de plusieurs tokens fait partie de l’entraînement, mais son utilisation en inférence dépend de l’implémentation et n’est pas généralement disponible dans tous les processus légers. Un gabarit ou une fonction d’architecture n’établit pas d’accès aux sources actuelles, fichiers ou environnements de code. Conservez le modèle précis et le format de conversation utilisés par l’interface choisie.
Textes extrêmement longs
Le fabricant valide un contexte d’environ un million de tokens avec YaRN et donne une procédure de facteur quatre fondée sur les 262 144 positions natives. Pour des tâches de 524 288 tokens, il suggère un facteur deux. La mise à l’échelle statique peut réduire les performances sur les textes courts ; la configuration devrait donc suivre le besoin réel de longues entrées.
Organisez les longs éléments par document, chemin de code ou section et retirez les répétitions sans rapport. Demandez que la réponse identifie les passages ou conditions qui l’étayent. Réservez de la place pour la réponse plutôt que de traiter le contexte maximal comme un rappel complet de chaque détail fourni. Le chiffre d’extension publié de 1 010 000 et la validation autour d’un million restent propres au processus de long contexte du fabricant.
Conseils de génération
Best Practices recommande temperature 0,7, top_p 0,8, top_k 20 et min_p 0. Lorsque c’est pris en charge, une pénalité de présence entre zéro et deux peut réduire le texte répété, mais des valeurs élevées peuvent mélanger les langues ou légèrement diminuer la qualité. Le fabricant recommande un espace de sortie de 16 384 tokens pour la plupart des questions. C’est un budget recommandé plutôt qu’un maximum strict indépendant ; il ne devrait pas hériter des budgets plus longs de l’édition Thinking.
Précisez explicitement la forme du résultat, par exemple délimiteur mathématique ou champ de réponse. Gardez le livrable final facilement vérifiable et contrôlez calculs, citations ou code à partir de la source. Cette édition textuelle n’accepte pas images, audio ou vidéos comme entrée propre ; ces éléments nécessitent donc une représentation séparée adaptée avant de servir la tâche.
Résultat pratique
La sortie utile est un livrable textuel concret fondé sur les conditions fournies : explication documentaire, proposition de code ou réponse directe avec les détails justificatifs requis. Le long contexte et les appels d’outils peuvent faire circuler davantage de preuves dans un processus, tandis que le contrat non-Thinking garde clair le style de sortie de cette édition précise. Vérifiez le résultat dans l’environnement réel de la tâche plutôt que d’inférer sa justesse de sa longueur ou de son ton assuré.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3-next-80b-a3b-instruct | 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 $0.000286 / 1K tokens Sortie · Tokens en sortie $0.0022 / 1K tokens Entrée · Lecture du cache $0.00014 / 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 $0.000286 / 1K tokens Sortie · Tokens en sortie $0.0022 / 1K tokens Entrée · Lecture du cache $0.00014 / 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-next-80b-a3b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3-next-80b-a3b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3-next-80b-a3b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-next-80b-a3b-instruct
Utilisez les chemins de méthode indiqués ci-dessus.
qwen/qwen3-next-80b-a3b-instructQwen3-Next-80B-A3B-Instruct est l’édition textuelle non-Thinking de Qwen, avec 80 milliards de paramètres au total et 3 milliards activés. Elle associe attention hybride, experts à activation parcimonieuse et appels d’outils à un contexte natif de 262 144 tokens, extensible à 1 010 000 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-Next : instructions textuelles directes
Qwen3-Next-80B-A3B-Instruct est l’édition textuelle Instruct, non-Thinking, de Qwen3-Next. Elle accepte et renvoie du texte, dont des explications, propositions de code et livrables documentaires demandés. Elle ne génère pas de blocs Thinking explicites. Distinguez-la de l’édition Thinking et de Qwen3-Coder-Next, spécialisé dans le code ; partager une architecture de famille ne rend pas leurs contrats de réponse interchangeables.
La famille introduit une attention hybride associant Gated DeltaNet et attention à portes, des experts à activation fortement parcimonieuse, des optimisations de stabilité dont une normalisation des couches centrée sur zéro avec décroissance des poids, et une prédiction de plusieurs tokens. Ces changements concernent représentation et entraînement des longues séquences. Leur efficacité d’inférence dépend de l’implémentation ; les chiffres d’architecture ne devraient donc pas devenir une garantie fixe de latence ou de débit.
Vue d’ensemble du modèle
Le checkpoint possède 80 milliards de paramètres au total et en active trois milliards. Il a 48 couches dans un motif d’experts répété de trois DeltaNet pour une attention à portes. Le fabricant indique 512 experts, dix experts activés et un expert partagé, avec préentraînement sur 15 billions de tokens suivi d’un post-entraînement. Les paramètres actifs ne sont pas la taille du checkpoint complet.
Le contexte natif est de 262 144 tokens, avec une extension documentée à 1 010 000. Les exemples de déploiement du fabricant autorisent un contexte plus petit, comme 32 768, lorsque les contraintes de ressources empêchent le réglage plus grand de fonctionner. Texte, historique de conversation, observations d’outils et contenu généré se partagent l’espace de séquence configuré. L’extension est une voie de configuration supplémentaire, pas une entrée illimitée par défaut.
Utiliser l’interface Instruct
Ce modèle prend uniquement en charge le mode Instruct, non-Thinking. Il peut expliquer un algorithme, montrer des calculs ou justifier une conclusion en texte ordinaire sans produire un bloc Thinking dédié. Demandez le format et les limites du livrable : fonction complète, rapport concis, tableau de preuves ou réponse avec étapes justificatives. Une longue explication demandée ne le transforme pas en checkpoint Thinking nommé séparément.
Pour un document, conservez les identifiants de sections et définissez les questions auxquelles le rapport doit répondre. Pour le code, fournissez la fonction ou le module pertinent, les contraintes d’entrée et la sortie attendue. Pour les mathématiques, donnez l’énoncé complet et demandez un résultat final délimité. Comparez calculs, code ou explication renvoyés aux conditions fournies et aux résultats réels.
Implémentation et outils
Le fabricant documente les appels d’outils et recommande Qwen-Agent pour les gabarits et l’analyse, avec des outils configurés ou reliés par MCP. Un processus connecté peut fournir recherche, inspection ou exécution autorisée et renvoyer des observations réelles. Précisez outils, actions autorisées et conditions visibles de fin, puis demandez que le rapport final distingue les propositions des résultats réellement renvoyés.
La prédiction de plusieurs tokens fait partie de l’entraînement, mais son utilisation en inférence dépend de l’implémentation et n’est pas généralement disponible dans tous les processus légers. Un gabarit ou une fonction d’architecture n’établit pas d’accès aux sources actuelles, fichiers ou environnements de code. Conservez le modèle précis et le format de conversation utilisés par l’interface choisie.
Textes extrêmement longs
Le fabricant valide un contexte d’environ un million de tokens avec YaRN et donne une procédure de facteur quatre fondée sur les 262 144 positions natives. Pour des tâches de 524 288 tokens, il suggère un facteur deux. La mise à l’échelle statique peut réduire les performances sur les textes courts ; la configuration devrait donc suivre le besoin réel de longues entrées.
Organisez les longs éléments par document, chemin de code ou section et retirez les répétitions sans rapport. Demandez que la réponse identifie les passages ou conditions qui l’étayent. Réservez de la place pour la réponse plutôt que de traiter le contexte maximal comme un rappel complet de chaque détail fourni. Le chiffre d’extension publié de 1 010 000 et la validation autour d’un million restent propres au processus de long contexte du fabricant.
Conseils de génération
Best Practices recommande temperature 0,7, top_p 0,8, top_k 20 et min_p 0. Lorsque c’est pris en charge, une pénalité de présence entre zéro et deux peut réduire le texte répété, mais des valeurs élevées peuvent mélanger les langues ou légèrement diminuer la qualité. Le fabricant recommande un espace de sortie de 16 384 tokens pour la plupart des questions. C’est un budget recommandé plutôt qu’un maximum strict indépendant ; il ne devrait pas hériter des budgets plus longs de l’édition Thinking.
Précisez explicitement la forme du résultat, par exemple délimiteur mathématique ou champ de réponse. Gardez le livrable final facilement vérifiable et contrôlez calculs, citations ou code à partir de la source. Cette édition textuelle n’accepte pas images, audio ou vidéos comme entrée propre ; ces éléments nécessitent donc une représentation séparée adaptée avant de servir la tâche.
Résultat pratique
La sortie utile est un livrable textuel concret fondé sur les conditions fournies : explication documentaire, proposition de code ou réponse directe avec les détails justificatifs requis. Le long contexte et les appels d’outils peuvent faire circuler davantage de preuves dans un processus, tandis que le contrat non-Thinking garde clair le style de sortie de cette édition précise. Vérifiez le résultat dans l’environnement réel de la tâche plutôt que d’inférer sa justesse de sa longueur ou de son ton assuré.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3-next-80b-a3b-instruct | 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 $0.000286 / 1K tokens Sortie · Tokens en sortie $0.0022 / 1K tokens Entrée · Lecture du cache $0.00014 / 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 $0.000286 / 1K tokens Sortie · Tokens en sortie $0.0022 / 1K tokens Entrée · Lecture du cache $0.00014 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen3-next-80b-a3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-next-80b-a3b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-next-80b-a3b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-next-80b-a3b-instruct
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Explain a section-specific decision\n\nAnswer only from these procedure sections. Section 2: standard purchases need a manager's approval. Section 4: emergency safety purchases may proceed first, but must be reported to that manager within one day. Case: a broken emergency exit light needs replacement today. Give a concise recommendation with section references and identify the follow-up obligation. Do not invent an approval already granted.A direct recommendation with supporting sections and the one-day reporting obligation.The emergency exception retains its reporting condition and is not generalised to all purchases.