Qwen3-235B-A22B-Thinking-2507 développe la branche de raisonnement de Qwen3 pour les tâches complexes de logique, mathématiques, sciences et code. Qwen cite aussi le suivi d’instructions, l’utilisation d’outils, la génération textuelle et la compréhension de longs contextes parmi les domaines améliorés dans cette édition. Il accepte des conversations textuelles et génère du texte. Une consigne utile donne le problème complet, les éléments pertinents, les contraintes et la forme précise du livrable final : preuve, plan d’implémentation, programme corrigé ou décision étayée par les documents fournis.
Le modèle utilise une architecture à mélange d’experts avec 235 milliards de paramètres au total et 22 milliards activés pour chaque jeton. Son contexte natif est de 262 144 jetons. Cet espace sert à réunir plusieurs spécifications liées, fichiers sources ou extraits de recherche dans une conversation, tout en laissant de la place pour le raisonnement et la réponse finale. Identifiez les documents et blocs de code, précisez les sources prioritaires et indiquez les sections importantes. Par exemple, une consigne d’analyse logicielle peut fournir le comportement défaillant, le comportement attendu, les fonctions pertinentes et les contraintes, puis demander une correction proposée avec les hypothèses énumérées séparément.
C’est une édition exclusivement Thinking. Elle ne passe pas au mode non-Thinking du modèle Qwen3 original. Le gabarit de conversation officiel démarre automatiquement la section de raisonnement; une sortie peut donc contenir un marqueur de fermeture </think> sans marqueur d’ouverture dans le texte généré. L’exemple du fabricant sépare cette section de la réponse finale. Pour une tâche mathématique, Qwen recommande de demander un raisonnement pas à pas et une réponse finale dans \\boxed{}. Pour une question à choix multiple, il suggère un champ de réponse contenant uniquement la lettre choisie. Ces instructions facilitent la lecture ou l’utilisation du résultat après la fin du raisonnement.
Les conseils de génération Qwen recommandent temperature 0,6, top-p 0,95, top-k 20 et min-p 0. Ils recommandent un espace de sortie de 32 768 jetons pour la plupart des questions et décrivent 81 920 jetons pour des problèmes mathématiques et de code particulièrement exigeants. Ces chiffres sont des recommandations du fabricant pour la génération, plutôt qu’une limite de réponse garantie distincte. Un raisonnement plus long nécessite de la place avant la réponse finale : un espace trop réduit peut arrêter la réponse avant la conclusion demandée. Pour les tours suivants, les conseils officiels conservent la réponse finale dans l’historique et omettent le contenu Thinking précédent.
Pour les tâches de type agent, Qwen recommande Qwen-Agent, qui fournit des gabarits et analyseurs d’appels d’outils. Ses exemples associent à la conversation des outils définis, comme la recherche d’informations et un interpréteur de code. Préparez les descriptions des outils disponibles, la condition d’arrêt de la tâche et le résultat requis avant de demander un plan d’utilisation des outils. Une consigne pratique de recherche peut demander de réunir des éléments précis, de comparer des explications concurrentes et de renvoyer une conclusion avec les éléments classés par source. Les appels d’outils décrivent le travail à exécuter par une application; le texte du modèle seul n’est ni l’action externe ni son résultat.
La fiche officielle décrit aussi une extension facultative du contexte à environ un million de jetons à l’aide d’une configuration distincte, de Dual Chunk Attention et d’une attention clairsemée. Elle se distingue de la fenêtre native de 262 144 jetons et dépend de l’implémentation prescrite et de ressources mémoire importantes. Le fabricant avertit que les contraintes de contexte et de mémoire peuvent nécessiter des séquences plus courtes. Pour le travail ordinaire sur de longs documents, organisez l’entrée autour de la question réelle, préservez les frontières des documents et demandez une synthèse finale concise identifiant les éléments non résolus. Cela sépare le résultat utile du raisonnement potentiellement long.
", "aboutText": "Qwen3-235B-A22B-Thinking-2507 développe la branche de raisonnement de Qwen3 pour les tâches complexes de logique, mathématiques, sciences et code. Qwen cite aussi le suivi d’instructions, l’utilisation d’outils, la génération textuelle et la compréhension de longs contextes parmi les domaines améliorés dans cette édition. Il accepte des conversations textuelles et génère du texte. Une consigne utile donne le problème complet, les éléments pertinents, les contraintes et la forme précise du livrable final : preuve, plan d’implémentation, programme corrigé ou décision étayée par les documents fournis.\n\nLe modèle utilise une architecture à mélange d’experts avec 235 milliards de paramètres au total et 22 milliards activés pour chaque jeton. Son contexte natif est de 262 144 jetons. Cet espace sert à réunir plusieurs spécifications liées, fichiers sources ou extraits de recherche dans une conversation, tout en laissant de la place pour le raisonnement et la réponse finale. Identifiez les documents et blocs de code, précisez les sources prioritaires et indiquez les sections importantes. Par exemple, une consigne d’analyse logicielle peut fournir le comportement défaillant, le comportement attendu, les fonctions pertinentes et les contraintes, puis demander une correction proposée avec les hypothèses énumérées séparément.\n\nC’est une édition exclusivement Thinking. Elle ne passe pas au mode non-Thinking du modèle Qwen3 original. Le gabarit de conversation officiel démarre automatiquement la section de raisonnement; une sortie peut donc contenir un marqueur de fermeture sans marqueur d’ouverture dans le texte généré. L’exemple du fabricant sépare cette section de la réponse finale. Pour une tâche mathématique, Qwen recommande de demander un raisonnement pas à pas et une réponse finale dans \\boxed{}. Pour une question à choix multiple, il suggère un champ de réponse contenant uniquement la lettre choisie. Ces instructions facilitent la lecture ou l’utilisation du résultat après la fin du raisonnement.\n\nLes conseils de génération Qwen recommandent temperature 0,6, top-p 0,95, top-k 20 et min-p 0. Ils recommandent un espace de sortie de 32 768 jetons pour la plupart des questions et décrivent 81 920 jetons pour des problèmes mathématiques et de code particulièrement exigeants. Ces chiffres sont des recommandations du fabricant pour la génération, plutôt qu’une limite de réponse garantie distincte. Un raisonnement plus long nécessite de la place avant la réponse finale : un espace trop réduit peut arrêter la réponse avant la conclusion demandée. Pour les tours suivants, les conseils officiels conservent la réponse finale dans l’historique et omettent le contenu Thinking précédent.\n\nPour les tâches de type agent, Qwen recommande Qwen-Agent, qui fournit des gabarits et analyseurs d’appels d’outils. Ses exemples associent à la conversation des outils définis, comme la recherche d’informations et un interpréteur de code. Préparez les descriptions des outils disponibles, la condition d’arrêt de la tâche et le résultat requis avant de demander un plan d’utilisation des outils. Une consigne pratique de recherche peut demander de réunir des éléments précis, de comparer des explications concurrentes et de renvoyer une conclusion avec les éléments classés par source. Les appels d’outils décrivent le travail à exécuter par une application; le texte du modèle seul n’est ni l’action externe ni son résultat.\n\nLa fiche officielle décrit aussi une extension facultative du contexte à environ un million de jetons à l’aide d’une configuration distincte, de Dual Chunk Attention et d’une attention clairsemée. Elle se distingue de la fenêtre native de 262 144 jetons et dépend de l’implémentation prescrite et de ressources mémoire importantes. Le fabricant avertit que les contraintes de contexte et de mémoire peuvent nécessiter des séquences plus courtes. Pour le travail ordinaire sur de longs documents, organisez l’entrée autour de la question réelle, préservez les frontières des documents et demandez une synthèse finale concise identifiant les éléments non résolus. Cela sépare le résultat utile du raisonnement potentiellement long.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Check a constrained allocation\n\nAllocate 17 identical work units to two teams. Team A must receive at least 6 and an even number; Team B must receive at least 5. Minimize the difference between team totals. List the valid allocations nearest equality, select the best and explain why no smaller difference is possible under the parity rule.A compact allocation analysis with feasible candidates, selected totals and a checkable optimality argument.Verify the totals sum to 17, A is even, both minimums hold and the comparison includes both sides of equality.qwen/qwen3-235b-a22b-thinking-2507Qwen3-235B-A22B-Thinking-2507 est le modèle textuel de Qwen fonctionnant uniquement en mode raisonnement pour les tâches exigeantes de mathématiques, sciences, code et analyse de longs documents. Son contexte natif de 262 144 jetons et son raisonnement développé conviennent aux problèmes nécessitant plusieurs étapes liées.
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-Thinking-2507 développe la branche de raisonnement de Qwen3 pour les tâches complexes de logique, mathématiques, sciences et code. Qwen cite aussi le suivi d’instructions, l’utilisation d’outils, la génération textuelle et la compréhension de longs contextes parmi les domaines améliorés dans cette édition. Il accepte des conversations textuelles et génère du texte. Une consigne utile donne le problème complet, les éléments pertinents, les contraintes et la forme précise du livrable final : preuve, plan d’implémentation, programme corrigé ou décision étayée par les documents fournis.
Le modèle utilise une architecture à mélange d’experts avec 235 milliards de paramètres au total et 22 milliards activés pour chaque jeton. Son contexte natif est de 262 144 jetons. Cet espace sert à réunir plusieurs spécifications liées, fichiers sources ou extraits de recherche dans une conversation, tout en laissant de la place pour le raisonnement et la réponse finale. Identifiez les documents et blocs de code, précisez les sources prioritaires et indiquez les sections importantes. Par exemple, une consigne d’analyse logicielle peut fournir le comportement défaillant, le comportement attendu, les fonctions pertinentes et les contraintes, puis demander une correction proposée avec les hypothèses énumérées séparément.
C’est une édition exclusivement Thinking. Elle ne passe pas au mode non-Thinking du modèle Qwen3 original. Le gabarit de conversation officiel démarre automatiquement la section de raisonnement; une sortie peut donc contenir un marqueur de fermeture </think> sans marqueur d’ouverture dans le texte généré. L’exemple du fabricant sépare cette section de la réponse finale. Pour une tâche mathématique, Qwen recommande de demander un raisonnement pas à pas et une réponse finale dans \\boxed{}. Pour une question à choix multiple, il suggère un champ de réponse contenant uniquement la lettre choisie. Ces instructions facilitent la lecture ou l’utilisation du résultat après la fin du raisonnement.
Les conseils de génération Qwen recommandent temperature 0,6, top-p 0,95, top-k 20 et min-p 0. Ils recommandent un espace de sortie de 32 768 jetons pour la plupart des questions et décrivent 81 920 jetons pour des problèmes mathématiques et de code particulièrement exigeants. Ces chiffres sont des recommandations du fabricant pour la génération, plutôt qu’une limite de réponse garantie distincte. Un raisonnement plus long nécessite de la place avant la réponse finale : un espace trop réduit peut arrêter la réponse avant la conclusion demandée. Pour les tours suivants, les conseils officiels conservent la réponse finale dans l’historique et omettent le contenu Thinking précédent.
Pour les tâches de type agent, Qwen recommande Qwen-Agent, qui fournit des gabarits et analyseurs d’appels d’outils. Ses exemples associent à la conversation des outils définis, comme la recherche d’informations et un interpréteur de code. Préparez les descriptions des outils disponibles, la condition d’arrêt de la tâche et le résultat requis avant de demander un plan d’utilisation des outils. Une consigne pratique de recherche peut demander de réunir des éléments précis, de comparer des explications concurrentes et de renvoyer une conclusion avec les éléments classés par source. Les appels d’outils décrivent le travail à exécuter par une application; le texte du modèle seul n’est ni l’action externe ni son résultat.
La fiche officielle décrit aussi une extension facultative du contexte à environ un million de jetons à l’aide d’une configuration distincte, de Dual Chunk Attention et d’une attention clairsemée. Elle se distingue de la fenêtre native de 262 144 jetons et dépend de l’implémentation prescrite et de ressources mémoire importantes. Le fabricant avertit que les contraintes de contexte et de mémoire peuvent nécessiter des séquences plus courtes. Pour le travail ordinaire sur de longs documents, organisez l’entrée autour de la question réelle, préservez les frontières des documents et demandez une synthèse finale concise identifiant les éléments non résolus. Cela sépare le résultat utile du raisonnement potentiellement long.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3-235b-a22b-thinking-2507 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’ID 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: Fonction fournie comme outil | 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 refusé sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: La valeur 1h est refusée là où le cache des prompts est configuré | 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 comme texte littéral ; aucun ID 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’ID 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/objet 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 | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0009 / 1K jetons Sortie · Jetons en sortie $0.007 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0009 / 1K jetons Sortie · Jetons en sortie $0.007 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-235b-a22b-thinking-2507", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3-235b-a22b-thinking-2507',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3-235b-a22b-thinking-2507',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, et conservez le motif final d’arrêt et les données d’utilisation.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra qwen/qwen3-235b-a22b-thinking-2507
Utilisez les chemins de méthode indiqués ci-dessus.
qwen/qwen3-235b-a22b-thinking-2507Qwen3-235B-A22B-Thinking-2507 est le modèle textuel de Qwen fonctionnant uniquement en mode raisonnement pour les tâches exigeantes de mathématiques, sciences, code et analyse de longs documents. Son contexte natif de 262 144 jetons et son raisonnement développé conviennent aux problèmes nécessitant plusieurs étapes liées.
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-Thinking-2507 développe la branche de raisonnement de Qwen3 pour les tâches complexes de logique, mathématiques, sciences et code. Qwen cite aussi le suivi d’instructions, l’utilisation d’outils, la génération textuelle et la compréhension de longs contextes parmi les domaines améliorés dans cette édition. Il accepte des conversations textuelles et génère du texte. Une consigne utile donne le problème complet, les éléments pertinents, les contraintes et la forme précise du livrable final : preuve, plan d’implémentation, programme corrigé ou décision étayée par les documents fournis.
Le modèle utilise une architecture à mélange d’experts avec 235 milliards de paramètres au total et 22 milliards activés pour chaque jeton. Son contexte natif est de 262 144 jetons. Cet espace sert à réunir plusieurs spécifications liées, fichiers sources ou extraits de recherche dans une conversation, tout en laissant de la place pour le raisonnement et la réponse finale. Identifiez les documents et blocs de code, précisez les sources prioritaires et indiquez les sections importantes. Par exemple, une consigne d’analyse logicielle peut fournir le comportement défaillant, le comportement attendu, les fonctions pertinentes et les contraintes, puis demander une correction proposée avec les hypothèses énumérées séparément.
C’est une édition exclusivement Thinking. Elle ne passe pas au mode non-Thinking du modèle Qwen3 original. Le gabarit de conversation officiel démarre automatiquement la section de raisonnement; une sortie peut donc contenir un marqueur de fermeture </think> sans marqueur d’ouverture dans le texte généré. L’exemple du fabricant sépare cette section de la réponse finale. Pour une tâche mathématique, Qwen recommande de demander un raisonnement pas à pas et une réponse finale dans \\boxed{}. Pour une question à choix multiple, il suggère un champ de réponse contenant uniquement la lettre choisie. Ces instructions facilitent la lecture ou l’utilisation du résultat après la fin du raisonnement.
Les conseils de génération Qwen recommandent temperature 0,6, top-p 0,95, top-k 20 et min-p 0. Ils recommandent un espace de sortie de 32 768 jetons pour la plupart des questions et décrivent 81 920 jetons pour des problèmes mathématiques et de code particulièrement exigeants. Ces chiffres sont des recommandations du fabricant pour la génération, plutôt qu’une limite de réponse garantie distincte. Un raisonnement plus long nécessite de la place avant la réponse finale : un espace trop réduit peut arrêter la réponse avant la conclusion demandée. Pour les tours suivants, les conseils officiels conservent la réponse finale dans l’historique et omettent le contenu Thinking précédent.
Pour les tâches de type agent, Qwen recommande Qwen-Agent, qui fournit des gabarits et analyseurs d’appels d’outils. Ses exemples associent à la conversation des outils définis, comme la recherche d’informations et un interpréteur de code. Préparez les descriptions des outils disponibles, la condition d’arrêt de la tâche et le résultat requis avant de demander un plan d’utilisation des outils. Une consigne pratique de recherche peut demander de réunir des éléments précis, de comparer des explications concurrentes et de renvoyer une conclusion avec les éléments classés par source. Les appels d’outils décrivent le travail à exécuter par une application; le texte du modèle seul n’est ni l’action externe ni son résultat.
La fiche officielle décrit aussi une extension facultative du contexte à environ un million de jetons à l’aide d’une configuration distincte, de Dual Chunk Attention et d’une attention clairsemée. Elle se distingue de la fenêtre native de 262 144 jetons et dépend de l’implémentation prescrite et de ressources mémoire importantes. Le fabricant avertit que les contraintes de contexte et de mémoire peuvent nécessiter des séquences plus courtes. Pour le travail ordinaire sur de longs documents, organisez l’entrée autour de la question réelle, préservez les frontières des documents et demandez une synthèse finale concise identifiant les éléments non résolus. Cela sépare le résultat utile du raisonnement potentiellement long.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3-235b-a22b-thinking-2507 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
Chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0009 / 1K jetons Sortie · Jetons en sortie $0.007 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0009 / 1K jetons Sortie · Jetons en sortie $0.007 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen3-235b-a22b-thinking-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-235b-a22b-thinking-2507', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-235b-a22b-thinking-2507', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les ID 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 ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra qwen/qwen3-235b-a22b-thinking-2507
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Check a constrained allocation\n\nAllocate 17 identical work units to two teams. Team A must receive at least 6 and an even number; Team B must receive at least 5. Minimize the difference between team totals. List the valid allocations nearest equality, select the best and explain why no smaller difference is possible under the parity rule.A compact allocation analysis with feasible candidates, selected totals and a checkable optimality argument.Verify the totals sum to 17, A is even, both minimums hold and the comparison includes both sides of equality.