Qwen3-235B-A22B transpose l’approche de raisonnement hybride de Qwen3 dans un grand modèle à mélange d’experts. Ses capacités textuelles couvrent les problèmes mathématiques et logiques, la génération de code, l’écriture créative, les conversations par rôle et le suivi d’instructions sur plusieurs échanges. Il fonctionne dans plus de 100 langues et dialectes. Pour une discussion de développement produit, fournissez les exigences, un exemple concret et la décision nécessaire : une comparaison de conceptions, une implémentation ou une explication utilisable par un public particulier.
Le modèle compte 235 milliards de paramètres au total et en active 22 milliards pendant le traitement. Son architecture contient 128 experts, en sélectionne huit et comporte 94 couches. Ces chiffres identifient cette version ; les modèles Qwen3 plus petits et l’édition FP8 ont des identités distinctes. L’entrée et la sortie sont textuelles. Une tâche d’ingénierie adaptée consiste à comparer deux algorithmes de rapprochement avec les mêmes exemples d’enregistrements, identifier les contraintes satisfaites par chacun et renvoyer l’algorithme choisi avec des cas de test. Fournissez les vrais noms de champs, les règles de traitement des doublons et les totaux attendus afin de pouvoir vérifier la réponse par rapport au problème d’origine.
Préparez la requête sous forme de messages de conversation en séparant les sources des instructions. Pour une question mathématique, incluez l’énoncé complet, les hypothèses permises et la notation, puis demandez une réponse finale sous une forme spécifiée. Pour le code, incluez la fonction pertinente, le langage, une entrée représentative et l’échec observé. Demandez le plus petit changement justifié et décrivez le comportement existant à conserver. Pour la rédaction multilingue, donnez le public et une liste terminologique plutôt que de demander une traduction générique. L’intégration publiée nécessite un environnement d’exécution compatible avec Qwen3 ; la fiche avertit que les versions de Transformers antérieures à 4.51.0 ne reconnaissent pas l’architecture requise.
Avec et sans raisonnement sont deux modes du même modèle. Le modèle de conversation du fabricant active le raisonnement par défaut ; un interrupteur strict peut le désactiver. Lorsque le raisonnement reste activé, /think et /no_think fournissent un contrôle au niveau de l’échange, avec priorité à l’instruction la plus récente. Un mode désactivé par l’interrupteur strict ne répond pas à ces réglages souples. Dans une interface de développement, gardez la réponse finale distincte de la section de raisonnement et reprenez la réponse finale dans l’historique des échanges suivants. Choisissez le mode délibérément : un désaccord sur un algorithme et une courte réécriture nécessitent des niveaux d’analyse différents. Lorsque le raisonnement est activé, même une demande souple sans raisonnement conserve un bloc de raisonnement ; son contenu peut être vide. La désactivation stricte supprime ce bloc.
Pour les parcours d’agent, le fabricant recommande Qwen-Agent pour les modèles d’outils et leur analyse. Les outils peuvent inclure des services connectés ou un interpréteur de code ; l’application les définit et les exécute. Par exemple, fournissez à un assistant une consultation de stock en lecture seule avec des champs documentés et demandez-lui de comparer le stock renvoyé à la commande fournie. Définissez l’objectif de l’outil, les arguments acceptés, la forme du résultat et la limite de permission. Exigez que la réponse finale distingue une action proposée d’un résultat d’outil confirmé. Les capacités du modèle relatives aux outils ne produisent pas à elles seules une action externe. Le guide Qwen3 décrit aussi les appels d’outils parallèles et à plusieurs étapes, avec des arguments représentés sous forme d’objets et des résultats réinjectés dans la conversation.
Le contexte natif est de 32,768 tokens. Le fabricant valide 131,072 tokens avec une extension YaRN ; celle-ci dépend de la configuration, et une mise à l’échelle statique peut affecter les entrées plus courtes. Le budget de contexte inclut la requête et la réponse générée. Pour une spécification longue, identifiez les sections pertinentes pour la décision, étiquetez-les et réservez de la place pour la réponse au lieu de remplir tout le budget de texte source. La fiche recommande 32,768 tokens de sortie pour la plupart des requêtes, plutôt que de déclarer cette valeur comme limite universelle du service. La documentation Qwen3 traite de longueurs de messages de l’assistant de 38,912 tokens en mode de raisonnement et de 16,384 en mode sans raisonnement dans son explication de la longueur d’entraînement, et recommande d’évaluer la qualité des générations plus longues. Ces chiffres sont distincts de la fenêtre de contexte globale et ne constituent pas un plafond strict propre à un point de terminaison. La fiche explique aussi son allocation positionnelle par défaut de 40,960 tokens comme 8,192 pour les consignes habituelles plus 32,768 pour la sortie ; il s’agit de recommandations de configuration du fabricant, distinctes du contexte natif d’entraînement et de toute limite de point de terminaison.
L’échantillonnage recommandé en mode de raisonnement est une température de 0.6, top-p 0.95, top-k 20 et min-p 0 ; le mode sans raisonnement utilise 0.7, 0.8, 20 et 0. Le fabricant recommande un décodage par échantillonnage et avertit que le décodage glouton en mode de raisonnement peut provoquer des répétitions. Des pénalités de présence plus élevées peuvent aussi introduire un mélange de langues. Rendez le résultat facile à examiner : demandez un champ nommé de réponse finale, un tableau de décision motivé ou un correctif de code accompagné d’exemples. Vérifiez les calculs par rapport aux nombres fournis, exécutez le code proposé dans l’environnement visé et examinez les résultats d’outils avant d’agir.
", "aboutText": "Qwen3-235B-A22B transpose l’approche de raisonnement hybride de Qwen3 dans un grand modèle à mélange d’experts. Ses capacités textuelles couvrent les problèmes mathématiques et logiques, la génération de code, l’écriture créative, les conversations par rôle et le suivi d’instructions sur plusieurs échanges. Il fonctionne dans plus de 100 langues et dialectes. Pour une discussion de développement produit, fournissez les exigences, un exemple concret et la décision nécessaire : une comparaison de conceptions, une implémentation ou une explication utilisable par un public particulier.\n\nLe modèle compte 235 milliards de paramètres au total et en active 22 milliards pendant le traitement. Son architecture contient 128 experts, en sélectionne huit et comporte 94 couches. Ces chiffres identifient cette version ; les modèles Qwen3 plus petits et l’édition FP8 ont des identités distinctes. L’entrée et la sortie sont textuelles. Une tâche d’ingénierie adaptée consiste à comparer deux algorithmes de rapprochement avec les mêmes exemples d’enregistrements, identifier les contraintes satisfaites par chacun et renvoyer l’algorithme choisi avec des cas de test. Fournissez les vrais noms de champs, les règles de traitement des doublons et les totaux attendus afin de pouvoir vérifier la réponse par rapport au problème d’origine.\n\nPréparez la requête sous forme de messages de conversation en séparant les sources des instructions. Pour une question mathématique, incluez l’énoncé complet, les hypothèses permises et la notation, puis demandez une réponse finale sous une forme spécifiée. Pour le code, incluez la fonction pertinente, le langage, une entrée représentative et l’échec observé. Demandez le plus petit changement justifié et décrivez le comportement existant à conserver. Pour la rédaction multilingue, donnez le public et une liste terminologique plutôt que de demander une traduction générique. L’intégration publiée nécessite un environnement d’exécution compatible avec Qwen3 ; la fiche avertit que les versions de Transformers antérieures à 4.51.0 ne reconnaissent pas l’architecture requise.\n\nAvec et sans raisonnement sont deux modes du même modèle. Le modèle de conversation du fabricant active le raisonnement par défaut ; un interrupteur strict peut le désactiver. Lorsque le raisonnement reste activé, /think et /no_think fournissent un contrôle au niveau de l’échange, avec priorité à l’instruction la plus récente. Un mode désactivé par l’interrupteur strict ne répond pas à ces réglages souples. Dans une interface de développement, gardez la réponse finale distincte de la section de raisonnement et reprenez la réponse finale dans l’historique des échanges suivants. Choisissez le mode délibérément : un désaccord sur un algorithme et une courte réécriture nécessitent des niveaux d’analyse différents. Lorsque le raisonnement est activé, même une demande souple sans raisonnement conserve un bloc de raisonnement ; son contenu peut être vide. La désactivation stricte supprime ce bloc.\n\nPour les parcours d’agent, le fabricant recommande Qwen-Agent pour les modèles d’outils et leur analyse. Les outils peuvent inclure des services connectés ou un interpréteur de code ; l’application les définit et les exécute. Par exemple, fournissez à un assistant une consultation de stock en lecture seule avec des champs documentés et demandez-lui de comparer le stock renvoyé à la commande fournie. Définissez l’objectif de l’outil, les arguments acceptés, la forme du résultat et la limite de permission. Exigez que la réponse finale distingue une action proposée d’un résultat d’outil confirmé. Les capacités du modèle relatives aux outils ne produisent pas à elles seules une action externe. Le guide Qwen3 décrit aussi les appels d’outils parallèles et à plusieurs étapes, avec des arguments représentés sous forme d’objets et des résultats réinjectés dans la conversation.\n\nLe contexte natif est de 32,768 tokens. Le fabricant valide 131,072 tokens avec une extension YaRN ; celle-ci dépend de la configuration, et une mise à l’échelle statique peut affecter les entrées plus courtes. Le budget de contexte inclut la requête et la réponse générée. Pour une spécification longue, identifiez les sections pertinentes pour la décision, étiquetez-les et réservez de la place pour la réponse au lieu de remplir tout le budget de texte source. La fiche recommande 32,768 tokens de sortie pour la plupart des requêtes, plutôt que de déclarer cette valeur comme limite universelle du service. La documentation Qwen3 traite de longueurs de messages de l’assistant de 38,912 tokens en mode de raisonnement et de 16,384 en mode sans raisonnement dans son explication de la longueur d’entraînement, et recommande d’évaluer la qualité des générations plus longues. Ces chiffres sont distincts de la fenêtre de contexte globale et ne constituent pas un plafond strict propre à un point de terminaison. La fiche explique aussi son allocation positionnelle par défaut de 40,960 tokens comme 8,192 pour les consignes habituelles plus 32,768 pour la sortie ; il s’agit de recommandations de configuration du fabricant, distinctes du contexte natif d’entraînement et de toute limite de point de terminaison.\n\nL’échantillonnage recommandé en mode de raisonnement est une température de 0.6, top-p 0.95, top-k 20 et min-p 0 ; le mode sans raisonnement utilise 0.7, 0.8, 20 et 0. Le fabricant recommande un décodage par échantillonnage et avertit que le décodage glouton en mode de raisonnement peut provoquer des répétitions. Des pénalités de présence plus élevées peuvent aussi introduire un mélange de langues. Rendez le résultat facile à examiner : demandez un champ nommé de réponse finale, un tableau de décision motivé ou un correctif de code accompagné d’exemples. Vérifiez les calculs par rapport aux nombres fournis, exécutez le code proposé dans l’environnement visé et examinez les résultats d’outils avant d’agir.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Reconcile duplicate transaction records\n\nCompare two reconciliation rules on these records: (id=A, revision=1, amount=10), (A,2,12), (B,1,5). Rule X sums every row; rule Y keeps the highest revision per ID, then sums. Requirement: one current amount per ID; equal-revision disagreements must be flagged. Choose a rule, propose pseudocode and give tests for duplicates and conflicting ties.A rule comparison, chosen algorithm, expected total for the supplied records and conflict tests.Check the algorithm uses ID plus revision semantics and does not silently choose between conflicting equal revisions.qwen3-235b-a22bQwen3-235B-A22B associe un raisonnement détaillé à des réponses textuelles directes dans un modèle à mélange d’experts. Utilisez-le pour l’analyse mathématique, le code, la rédaction multilingue et les assistants travaillant avec des outils connectés.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen3-235B-A22B transpose l’approche de raisonnement hybride de Qwen3 dans un grand modèle à mélange d’experts. Ses capacités textuelles couvrent les problèmes mathématiques et logiques, la génération de code, l’écriture créative, les conversations par rôle et le suivi d’instructions sur plusieurs échanges. Il fonctionne dans plus de 100 langues et dialectes. Pour une discussion de développement produit, fournissez les exigences, un exemple concret et la décision nécessaire : une comparaison de conceptions, une implémentation ou une explication utilisable par un public particulier.
Le modèle compte 235 milliards de paramètres au total et en active 22 milliards pendant le traitement. Son architecture contient 128 experts, en sélectionne huit et comporte 94 couches. Ces chiffres identifient cette version ; les modèles Qwen3 plus petits et l’édition FP8 ont des identités distinctes. L’entrée et la sortie sont textuelles. Une tâche d’ingénierie adaptée consiste à comparer deux algorithmes de rapprochement avec les mêmes exemples d’enregistrements, identifier les contraintes satisfaites par chacun et renvoyer l’algorithme choisi avec des cas de test. Fournissez les vrais noms de champs, les règles de traitement des doublons et les totaux attendus afin de pouvoir vérifier la réponse par rapport au problème d’origine.
Préparez la requête sous forme de messages de conversation en séparant les sources des instructions. Pour une question mathématique, incluez l’énoncé complet, les hypothèses permises et la notation, puis demandez une réponse finale sous une forme spécifiée. Pour le code, incluez la fonction pertinente, le langage, une entrée représentative et l’échec observé. Demandez le plus petit changement justifié et décrivez le comportement existant à conserver. Pour la rédaction multilingue, donnez le public et une liste terminologique plutôt que de demander une traduction générique. L’intégration publiée nécessite un environnement d’exécution compatible avec Qwen3 ; la fiche avertit que les versions de Transformers antérieures à 4.51.0 ne reconnaissent pas l’architecture requise.
Avec et sans raisonnement sont deux modes du même modèle. Le modèle de conversation du fabricant active le raisonnement par défaut ; un interrupteur strict peut le désactiver. Lorsque le raisonnement reste activé, /think et /no_think fournissent un contrôle au niveau de l’échange, avec priorité à l’instruction la plus récente. Un mode désactivé par l’interrupteur strict ne répond pas à ces réglages souples. Dans une interface de développement, gardez la réponse finale distincte de la section de raisonnement et reprenez la réponse finale dans l’historique des échanges suivants. Choisissez le mode délibérément : un désaccord sur un algorithme et une courte réécriture nécessitent des niveaux d’analyse différents. Lorsque le raisonnement est activé, même une demande souple sans raisonnement conserve un bloc de raisonnement ; son contenu peut être vide. La désactivation stricte supprime ce bloc.
Pour les parcours d’agent, le fabricant recommande Qwen-Agent pour les modèles d’outils et leur analyse. Les outils peuvent inclure des services connectés ou un interpréteur de code ; l’application les définit et les exécute. Par exemple, fournissez à un assistant une consultation de stock en lecture seule avec des champs documentés et demandez-lui de comparer le stock renvoyé à la commande fournie. Définissez l’objectif de l’outil, les arguments acceptés, la forme du résultat et la limite de permission. Exigez que la réponse finale distingue une action proposée d’un résultat d’outil confirmé. Les capacités du modèle relatives aux outils ne produisent pas à elles seules une action externe. Le guide Qwen3 décrit aussi les appels d’outils parallèles et à plusieurs étapes, avec des arguments représentés sous forme d’objets et des résultats réinjectés dans la conversation.
Le contexte natif est de 32,768 tokens. Le fabricant valide 131,072 tokens avec une extension YaRN ; celle-ci dépend de la configuration, et une mise à l’échelle statique peut affecter les entrées plus courtes. Le budget de contexte inclut la requête et la réponse générée. Pour une spécification longue, identifiez les sections pertinentes pour la décision, étiquetez-les et réservez de la place pour la réponse au lieu de remplir tout le budget de texte source. La fiche recommande 32,768 tokens de sortie pour la plupart des requêtes, plutôt que de déclarer cette valeur comme limite universelle du service. La documentation Qwen3 traite de longueurs de messages de l’assistant de 38,912 tokens en mode de raisonnement et de 16,384 en mode sans raisonnement dans son explication de la longueur d’entraînement, et recommande d’évaluer la qualité des générations plus longues. Ces chiffres sont distincts de la fenêtre de contexte globale et ne constituent pas un plafond strict propre à un point de terminaison. La fiche explique aussi son allocation positionnelle par défaut de 40,960 tokens comme 8,192 pour les consignes habituelles plus 32,768 pour la sortie ; il s’agit de recommandations de configuration du fabricant, distinctes du contexte natif d’entraînement et de toute limite de point de terminaison.
L’échantillonnage recommandé en mode de raisonnement est une température de 0.6, top-p 0.95, top-k 20 et min-p 0 ; le mode sans raisonnement utilise 0.7, 0.8, 20 et 0. Le fabricant recommande un décodage par échantillonnage et avertit que le décodage glouton en mode de raisonnement peut provoquer des répétitions. Des pénalités de présence plus élevées peuvent aussi introduire un mélange de langues. Rendez le résultat facile à examiner : demandez un champ nommé de réponse finale, un tableau de décision motivé ou un correctif de code accompagné d’exemples. Vérifiez les calculs par rapport aux nombres fournis, exécutez le code proposé dans l’environnement visé et examinez les résultats d’outils avant d’agir.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen3-235b-a22b | 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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.00114 / 1K tokens Sortie · Tokens en sortie $0.00342 / 1K tokens Entrée · Lecture du cache $0 / 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": "qwen3-235b-a22b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen3-235b-a22b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen3-235b-a22b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 qwen3-235b-a22b
Utilisez les chemins de méthode indiqués ci-dessus.
qwen3-235b-a22bQwen3-235B-A22B associe un raisonnement détaillé à des réponses textuelles directes dans un modèle à mélange d’experts. Utilisez-le pour l’analyse mathématique, le code, la rédaction multilingue et les assistants travaillant avec des outils connectés.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen3-235B-A22B transpose l’approche de raisonnement hybride de Qwen3 dans un grand modèle à mélange d’experts. Ses capacités textuelles couvrent les problèmes mathématiques et logiques, la génération de code, l’écriture créative, les conversations par rôle et le suivi d’instructions sur plusieurs échanges. Il fonctionne dans plus de 100 langues et dialectes. Pour une discussion de développement produit, fournissez les exigences, un exemple concret et la décision nécessaire : une comparaison de conceptions, une implémentation ou une explication utilisable par un public particulier.
Le modèle compte 235 milliards de paramètres au total et en active 22 milliards pendant le traitement. Son architecture contient 128 experts, en sélectionne huit et comporte 94 couches. Ces chiffres identifient cette version ; les modèles Qwen3 plus petits et l’édition FP8 ont des identités distinctes. L’entrée et la sortie sont textuelles. Une tâche d’ingénierie adaptée consiste à comparer deux algorithmes de rapprochement avec les mêmes exemples d’enregistrements, identifier les contraintes satisfaites par chacun et renvoyer l’algorithme choisi avec des cas de test. Fournissez les vrais noms de champs, les règles de traitement des doublons et les totaux attendus afin de pouvoir vérifier la réponse par rapport au problème d’origine.
Préparez la requête sous forme de messages de conversation en séparant les sources des instructions. Pour une question mathématique, incluez l’énoncé complet, les hypothèses permises et la notation, puis demandez une réponse finale sous une forme spécifiée. Pour le code, incluez la fonction pertinente, le langage, une entrée représentative et l’échec observé. Demandez le plus petit changement justifié et décrivez le comportement existant à conserver. Pour la rédaction multilingue, donnez le public et une liste terminologique plutôt que de demander une traduction générique. L’intégration publiée nécessite un environnement d’exécution compatible avec Qwen3 ; la fiche avertit que les versions de Transformers antérieures à 4.51.0 ne reconnaissent pas l’architecture requise.
Avec et sans raisonnement sont deux modes du même modèle. Le modèle de conversation du fabricant active le raisonnement par défaut ; un interrupteur strict peut le désactiver. Lorsque le raisonnement reste activé, /think et /no_think fournissent un contrôle au niveau de l’échange, avec priorité à l’instruction la plus récente. Un mode désactivé par l’interrupteur strict ne répond pas à ces réglages souples. Dans une interface de développement, gardez la réponse finale distincte de la section de raisonnement et reprenez la réponse finale dans l’historique des échanges suivants. Choisissez le mode délibérément : un désaccord sur un algorithme et une courte réécriture nécessitent des niveaux d’analyse différents. Lorsque le raisonnement est activé, même une demande souple sans raisonnement conserve un bloc de raisonnement ; son contenu peut être vide. La désactivation stricte supprime ce bloc.
Pour les parcours d’agent, le fabricant recommande Qwen-Agent pour les modèles d’outils et leur analyse. Les outils peuvent inclure des services connectés ou un interpréteur de code ; l’application les définit et les exécute. Par exemple, fournissez à un assistant une consultation de stock en lecture seule avec des champs documentés et demandez-lui de comparer le stock renvoyé à la commande fournie. Définissez l’objectif de l’outil, les arguments acceptés, la forme du résultat et la limite de permission. Exigez que la réponse finale distingue une action proposée d’un résultat d’outil confirmé. Les capacités du modèle relatives aux outils ne produisent pas à elles seules une action externe. Le guide Qwen3 décrit aussi les appels d’outils parallèles et à plusieurs étapes, avec des arguments représentés sous forme d’objets et des résultats réinjectés dans la conversation.
Le contexte natif est de 32,768 tokens. Le fabricant valide 131,072 tokens avec une extension YaRN ; celle-ci dépend de la configuration, et une mise à l’échelle statique peut affecter les entrées plus courtes. Le budget de contexte inclut la requête et la réponse générée. Pour une spécification longue, identifiez les sections pertinentes pour la décision, étiquetez-les et réservez de la place pour la réponse au lieu de remplir tout le budget de texte source. La fiche recommande 32,768 tokens de sortie pour la plupart des requêtes, plutôt que de déclarer cette valeur comme limite universelle du service. La documentation Qwen3 traite de longueurs de messages de l’assistant de 38,912 tokens en mode de raisonnement et de 16,384 en mode sans raisonnement dans son explication de la longueur d’entraînement, et recommande d’évaluer la qualité des générations plus longues. Ces chiffres sont distincts de la fenêtre de contexte globale et ne constituent pas un plafond strict propre à un point de terminaison. La fiche explique aussi son allocation positionnelle par défaut de 40,960 tokens comme 8,192 pour les consignes habituelles plus 32,768 pour la sortie ; il s’agit de recommandations de configuration du fabricant, distinctes du contexte natif d’entraînement et de toute limite de point de terminaison.
L’échantillonnage recommandé en mode de raisonnement est une température de 0.6, top-p 0.95, top-k 20 et min-p 0 ; le mode sans raisonnement utilise 0.7, 0.8, 20 et 0. Le fabricant recommande un décodage par échantillonnage et avertit que le décodage glouton en mode de raisonnement peut provoquer des répétitions. Des pénalités de présence plus élevées peuvent aussi introduire un mélange de langues. Rendez le résultat facile à examiner : demandez un champ nommé de réponse finale, un tableau de décision motivé ou un correctif de code accompagné d’exemples. Vérifiez les calculs par rapport aux nombres fournis, exécutez le code proposé dans l’environnement visé et examinez les résultats d’outils avant d’agir.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen3-235b-a22b | 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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.00114 / 1K tokens Sortie · Tokens en sortie $0.00342 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen3-235b-a22b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3-235b-a22b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3-235b-a22b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 qwen3-235b-a22b
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Reconcile duplicate transaction records\n\nCompare two reconciliation rules on these records: (id=A, revision=1, amount=10), (A,2,12), (B,1,5). Rule X sums every row; rule Y keeps the highest revision per ID, then sums. Requirement: one current amount per ID; equal-revision disagreements must be flagged. Choose a rule, propose pseudocode and give tests for duplicates and conflicting ties.A rule comparison, chosen algorithm, expected total for the supplied records and conflict tests.Check the algorithm uses ID plus revision semantics and does not silently choose between conflicting equal revisions.