Points saillants de Qwen3.8 : raisonnement textuel soutenu
Qwen3.8-2.4T-A95B est le point de contrôle ouvert Qwen3.8 pour le raisonnement textuel. Qwen décrit des améliorations en programmation, en travail professionnel, en recherche et en tâches d’agent de longue durée, notamment la planification et l’utilisation de la rétroaction de l’environnement. Il accepte du texte et retourne du texte. Le fabricant le distingue explicitement de l’offre gérée Qwen3.8-Max : l’entrée visuelle et la prise en charge sans réflexion sont des fonctions supplémentaires de cette offre, et non des capacités de ce point de contrôle ouvert précis.
Pour une tâche de programmation, fournissez les modules pertinents, l’exigence et une entrée qui expose le comportement actuel. Demandez une modification expliquée et un livrable final qui peut être examiné. Pour un rapport de recherche ou professionnel, fournissez les éléments, les sections requises et les critères d’évaluation, puis demandez au modèle de distinguer les constats appuyés des hypothèses. Ce sont des applications pratiques du champ de tâches documenté, et non des promesses de code exécuté ou de conclusions certifiées par un expert.
Aperçu du modèle
Le modèle à mélange d’experts clairsemé compte 2.4 billions de paramètres au total et en active 95 milliards. Il comporte 92 couches et 512 experts routés, sélectionnant dix experts routés avec un expert partagé. Ses blocs hybrides combinent Gated DeltaNet et l’attention à portes avec des couches d’experts, selon un motif de trois pour un. La prédiction de plusieurs tokens fait partie de son entraînement. Le nombre de paramètres activés n’est pas la taille complète du point de contrôle, et un grand nombre total n’établit pas de garantie de temps de réponse.
Le contexte natif est de 262,144 tokens, avec une extension documentée jusqu’à 1,010,000. Cela diffère du contexte par défaut d’un million de tokens de la référence Max gérée. Utilisez l’allocation de séquence réellement configurée pour le texte source, l’historique de conversation, le raisonnement et la réponse finale au lieu de supposer que tous les plus grands chiffres s’appliquent simultanément.
Utiliser ce point de contrôle de réflexion précis
La réflexion est requise pour chaque interaction et ne peut pas être désactivée. La sortie documentée commence par un bloc de raisonnement avant le texte final. reasoning_effort prend en charge xhigh, medium et low; xhigh est la valeur par défaut. Low réduit la profondeur visée, mais reste un mode réflexion. Une demande de réponse finale concise peut contrôler le livrable souhaité sans convertir ce modèle en édition sans réflexion.
preserve_thinking est activé par défaut. La conservation du raisonnement des tours précédents aide une tâche itérative à maintenir son contexte décisionnel. Gardez les corrections, les résultats d’outils et la réponse finale associés aux tours qui les ont produits. Ce modèle doit suivre son propre contrat d’historique plutôt qu’hériter d’anciens conseils de suppression de tous les blocs de raisonnement des messages passés. L’exposition précise des réglages d’effort et de conservation dépend de l’interface qui implante la recette du point de contrôle.
Environnements d’orchestration et rétroaction de l’environnement
Qwen décrit la compatibilité avec des environnements d’orchestration du développement et des outils. Une tâche soutenue peut être exprimée par un objectif, des actions permises et des preuves d’achèvement; l’application peut ensuite fournir des observations provenant d’une inspection ou d’une exécution. Demandez au modèle d’expliquer comment chaque nouveau résultat modifie le plan et de signaler ce qui reste non résolu. Planifier une action et recevoir un résultat réel sont des parties différentes de ce processus.
Les exemples Max gérés de la fiche comprennent des outils intégrés supplémentaires. Ils ne doivent pas être convertis en recherche Web, en exécution de code ou en entrée visuelle automatiques pour ce modèle ouvert. Son rôle utile est celui d’un composant de raisonnement textuel dans un processus connecté; les outils et les effets externes relèvent de l’application qui les fournit.
Recommandations de génération
Le fabricant recommande temperature 1.0, top_p 0.95, top_k 20, min_p 0, une pénalité de présence de 0 et une pénalité de répétition de 1.0. Lorsque prise en charge, une pénalité de présence entre zéro et deux peut réduire le texte répété, mais des valeurs plus élevées peuvent mélanger les langues ou réduire légèrement la qualité. La prise en charge des paramètres varie selon l’implantation.
Pour un processus configuré d’un million de tokens avec des limites distinctes de raisonnement et de réponse finale, Qwen recommande 262,144 tokens pour le raisonnement et 131,072 pour la réponse finale. Ce sont des allocations conditionnelles, et non des plafonds stricts établis séparément ni des budgets qui tiennent ensemble dans le contexte natif de 262,144 tokens. Prévoyez assez d’espace pour un livrable complet et demandez un résultat final facile à repérer après le raisonnement.
Limites pratiques
Ce point de contrôle n’accepte pas les images, l’audio ni la vidéo. Au besoin, convertissez les éléments pertinents en représentation textuelle appropriée par un processus distinct, en conservant les identifiants permettant de vérifier la réponse. La fiche annonce un contexte étendu, mais ne donne pas de recette complète d’extension par tâche ni de limite universelle de médias pour ce modèle uniquement textuel. Préservez l’identité précise et la configuration du point de contrôle, vérifiez les calculs et les propositions de code par rapport à la source et traitez le livrable final comme un résultat à réviser plutôt qu’une preuve d’achèvement de toute une tâche externe.
", "aboutText": "Points saillants de Qwen3.8 : raisonnement textuel soutenu\n\nQwen3.8-2.4T-A95B est le point de contrôle ouvert Qwen3.8 pour le raisonnement textuel. Qwen décrit des améliorations en programmation, en travail professionnel, en recherche et en tâches d’agent de longue durée, notamment la planification et l’utilisation de la rétroaction de l’environnement. Il accepte du texte et retourne du texte. Le fabricant le distingue explicitement de l’offre gérée Qwen3.8-Max : l’entrée visuelle et la prise en charge sans réflexion sont des fonctions supplémentaires de cette offre, et non des capacités de ce point de contrôle ouvert précis.\n\nPour une tâche de programmation, fournissez les modules pertinents, l’exigence et une entrée qui expose le comportement actuel. Demandez une modification expliquée et un livrable final qui peut être examiné. Pour un rapport de recherche ou professionnel, fournissez les éléments, les sections requises et les critères d’évaluation, puis demandez au modèle de distinguer les constats appuyés des hypothèses. Ce sont des applications pratiques du champ de tâches documenté, et non des promesses de code exécuté ou de conclusions certifiées par un expert.\n\nAperçu du modèle\n\nLe modèle à mélange d’experts clairsemé compte 2.4 billions de paramètres au total et en active 95 milliards. Il comporte 92 couches et 512 experts routés, sélectionnant dix experts routés avec un expert partagé. Ses blocs hybrides combinent Gated DeltaNet et l’attention à portes avec des couches d’experts, selon un motif de trois pour un. La prédiction de plusieurs tokens fait partie de son entraînement. Le nombre de paramètres activés n’est pas la taille complète du point de contrôle, et un grand nombre total n’établit pas de garantie de temps de réponse.\n\nLe contexte natif est de 262,144 tokens, avec une extension documentée jusqu’à 1,010,000. Cela diffère du contexte par défaut d’un million de tokens de la référence Max gérée. Utilisez l’allocation de séquence réellement configurée pour le texte source, l’historique de conversation, le raisonnement et la réponse finale au lieu de supposer que tous les plus grands chiffres s’appliquent simultanément.\n\nUtiliser ce point de contrôle de réflexion précis\n\nLa réflexion est requise pour chaque interaction et ne peut pas être désactivée. La sortie documentée commence par un bloc de raisonnement avant le texte final. reasoning_effort prend en charge xhigh, medium et low; xhigh est la valeur par défaut. Low réduit la profondeur visée, mais reste un mode réflexion. Une demande de réponse finale concise peut contrôler le livrable souhaité sans convertir ce modèle en édition sans réflexion.\n\npreserve_thinking est activé par défaut. La conservation du raisonnement des tours précédents aide une tâche itérative à maintenir son contexte décisionnel. Gardez les corrections, les résultats d’outils et la réponse finale associés aux tours qui les ont produits. Ce modèle doit suivre son propre contrat d’historique plutôt qu’hériter d’anciens conseils de suppression de tous les blocs de raisonnement des messages passés. L’exposition précise des réglages d’effort et de conservation dépend de l’interface qui implante la recette du point de contrôle.\n\nEnvironnements d’orchestration et rétroaction de l’environnement\n\nQwen décrit la compatibilité avec des environnements d’orchestration du développement et des outils. Une tâche soutenue peut être exprimée par un objectif, des actions permises et des preuves d’achèvement; l’application peut ensuite fournir des observations provenant d’une inspection ou d’une exécution. Demandez au modèle d’expliquer comment chaque nouveau résultat modifie le plan et de signaler ce qui reste non résolu. Planifier une action et recevoir un résultat réel sont des parties différentes de ce processus.\n\nLes exemples Max gérés de la fiche comprennent des outils intégrés supplémentaires. Ils ne doivent pas être convertis en recherche Web, en exécution de code ou en entrée visuelle automatiques pour ce modèle ouvert. Son rôle utile est celui d’un composant de raisonnement textuel dans un processus connecté; les outils et les effets externes relèvent de l’application qui les fournit.\n\nRecommandations de génération\n\nLe fabricant recommande temperature 1.0, top_p 0.95, top_k 20, min_p 0, une pénalité de présence de 0 et une pénalité de répétition de 1.0. Lorsque prise en charge, une pénalité de présence entre zéro et deux peut réduire le texte répété, mais des valeurs plus élevées peuvent mélanger les langues ou réduire légèrement la qualité. La prise en charge des paramètres varie selon l’implantation.\n\nPour un processus configuré d’un million de tokens avec des limites distinctes de raisonnement et de réponse finale, Qwen recommande 262,144 tokens pour le raisonnement et 131,072 pour la réponse finale. Ce sont des allocations conditionnelles, et non des plafonds stricts établis séparément ni des budgets qui tiennent ensemble dans le contexte natif de 262,144 tokens. Prévoyez assez d’espace pour un livrable complet et demandez un résultat final facile à repérer après le raisonnement.\n\nLimites pratiques\n\nCe point de contrôle n’accepte pas les images, l’audio ni la vidéo. Au besoin, convertissez les éléments pertinents en représentation textuelle appropriée par un processus distinct, en conservant les identifiants permettant de vérifier la réponse. La fiche annonce un contexte étendu, mais ne donne pas de recette complète d’extension par tâche ni de limite universelle de médias pour ce modèle uniquement textuel. Préservez l’identité précise et la configuration du point de contrôle, vérifiez les calculs et les propositions de code par rapport à la source et traitez le livrable final comme un résultat à réviser plutôt qu’une preuve d’achèvement de toute une tâche externe.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Review a resumable migration plan\n\nReview this migration design against the requirement that every row is copied exactly once. Step 1 copies 100 rows after last_id. Step 2 saves last_id. A crash can occur between steps. Explain the duplicate risk after restart and propose a minimal idempotent write or atomic checkpoint design. Include a test that interrupts precisely between the two steps.A cause analysis, one concrete correction strategy and a crash-point regression scenario.Rerunning after the interruption cannot produce duplicate destination rows or skip uncopied source rows.qwen/qwen3.8-2.4t-a95bQwen3.8-2.4T-A95B est le modèle textuel de raisonnement de Qwen à mélange d’experts clairsemé, avec 2.4 billions de paramètres au total et 95 milliards activés. Ce point de contrôle ouvert utilise toujours la réflexion, prend en charge un effort de raisonnement ajustable et conserve le contexte de raisonnement pour les tâches soutenues de programmation et de travail professionnel.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Points saillants de Qwen3.8 : raisonnement textuel soutenu
Qwen3.8-2.4T-A95B est le point de contrôle ouvert Qwen3.8 pour le raisonnement textuel. Qwen décrit des améliorations en programmation, en travail professionnel, en recherche et en tâches d’agent de longue durée, notamment la planification et l’utilisation de la rétroaction de l’environnement. Il accepte du texte et retourne du texte. Le fabricant le distingue explicitement de l’offre gérée Qwen3.8-Max : l’entrée visuelle et la prise en charge sans réflexion sont des fonctions supplémentaires de cette offre, et non des capacités de ce point de contrôle ouvert précis.
Pour une tâche de programmation, fournissez les modules pertinents, l’exigence et une entrée qui expose le comportement actuel. Demandez une modification expliquée et un livrable final qui peut être examiné. Pour un rapport de recherche ou professionnel, fournissez les éléments, les sections requises et les critères d’évaluation, puis demandez au modèle de distinguer les constats appuyés des hypothèses. Ce sont des applications pratiques du champ de tâches documenté, et non des promesses de code exécuté ou de conclusions certifiées par un expert.
Aperçu du modèle
Le modèle à mélange d’experts clairsemé compte 2.4 billions de paramètres au total et en active 95 milliards. Il comporte 92 couches et 512 experts routés, sélectionnant dix experts routés avec un expert partagé. Ses blocs hybrides combinent Gated DeltaNet et l’attention à portes avec des couches d’experts, selon un motif de trois pour un. La prédiction de plusieurs tokens fait partie de son entraînement. Le nombre de paramètres activés n’est pas la taille complète du point de contrôle, et un grand nombre total n’établit pas de garantie de temps de réponse.
Le contexte natif est de 262,144 tokens, avec une extension documentée jusqu’à 1,010,000. Cela diffère du contexte par défaut d’un million de tokens de la référence Max gérée. Utilisez l’allocation de séquence réellement configurée pour le texte source, l’historique de conversation, le raisonnement et la réponse finale au lieu de supposer que tous les plus grands chiffres s’appliquent simultanément.
Utiliser ce point de contrôle de réflexion précis
La réflexion est requise pour chaque interaction et ne peut pas être désactivée. La sortie documentée commence par un bloc de raisonnement avant le texte final. reasoning_effort prend en charge xhigh, medium et low; xhigh est la valeur par défaut. Low réduit la profondeur visée, mais reste un mode réflexion. Une demande de réponse finale concise peut contrôler le livrable souhaité sans convertir ce modèle en édition sans réflexion.
preserve_thinking est activé par défaut. La conservation du raisonnement des tours précédents aide une tâche itérative à maintenir son contexte décisionnel. Gardez les corrections, les résultats d’outils et la réponse finale associés aux tours qui les ont produits. Ce modèle doit suivre son propre contrat d’historique plutôt qu’hériter d’anciens conseils de suppression de tous les blocs de raisonnement des messages passés. L’exposition précise des réglages d’effort et de conservation dépend de l’interface qui implante la recette du point de contrôle.
Environnements d’orchestration et rétroaction de l’environnement
Qwen décrit la compatibilité avec des environnements d’orchestration du développement et des outils. Une tâche soutenue peut être exprimée par un objectif, des actions permises et des preuves d’achèvement; l’application peut ensuite fournir des observations provenant d’une inspection ou d’une exécution. Demandez au modèle d’expliquer comment chaque nouveau résultat modifie le plan et de signaler ce qui reste non résolu. Planifier une action et recevoir un résultat réel sont des parties différentes de ce processus.
Les exemples Max gérés de la fiche comprennent des outils intégrés supplémentaires. Ils ne doivent pas être convertis en recherche Web, en exécution de code ou en entrée visuelle automatiques pour ce modèle ouvert. Son rôle utile est celui d’un composant de raisonnement textuel dans un processus connecté; les outils et les effets externes relèvent de l’application qui les fournit.
Recommandations de génération
Le fabricant recommande temperature 1.0, top_p 0.95, top_k 20, min_p 0, une pénalité de présence de 0 et une pénalité de répétition de 1.0. Lorsque prise en charge, une pénalité de présence entre zéro et deux peut réduire le texte répété, mais des valeurs plus élevées peuvent mélanger les langues ou réduire légèrement la qualité. La prise en charge des paramètres varie selon l’implantation.
Pour un processus configuré d’un million de tokens avec des limites distinctes de raisonnement et de réponse finale, Qwen recommande 262,144 tokens pour le raisonnement et 131,072 pour la réponse finale. Ce sont des allocations conditionnelles, et non des plafonds stricts établis séparément ni des budgets qui tiennent ensemble dans le contexte natif de 262,144 tokens. Prévoyez assez d’espace pour un livrable complet et demandez un résultat final facile à repérer après le raisonnement.
Limites pratiques
Ce point de contrôle n’accepte pas les images, l’audio ni la vidéo. Au besoin, convertissez les éléments pertinents en représentation textuelle appropriée par un processus distinct, en conservant les identifiants permettant de vérifier la réponse. La fiche annonce un contexte étendu, mais ne donne pas de recette complète d’extension par tâche ni de limite universelle de médias pour ce modèle uniquement textuel. Préservez l’identité précise et la configuration du point de contrôle, vérifiez les calculs et les propositions de code par rapport à la source et traitez le livrable final comme un résultat à réviser plutôt qu’une preuve d’achèvement de toute une tâche externe.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.8-2.4t-a95b | 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 $0.004 / 1K jetons Sortie · Jetons en sortie $0.012 / 1K jetons Entrée · Lecture du cache $0.0005 / 1K jetons Entrée · Écriture dans le cache $0.005 / 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 $0.004 / 1K jetons Sortie · Jetons en sortie $0.012 / 1K jetons Entrée · Lecture du cache $0.0005 / 1K jetons Entrée · Écriture dans le cache $0.005 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.8-2.4t-a95b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.8-2.4t-a95b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.8-2.4t-a95b',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/qwen3.8-2.4t-a95b
Utilisez les chemins de méthode indiqués ci-dessus.
qwen/qwen3.8-2.4t-a95bQwen3.8-2.4T-A95B est le modèle textuel de raisonnement de Qwen à mélange d’experts clairsemé, avec 2.4 billions de paramètres au total et 95 milliards activés. Ce point de contrôle ouvert utilise toujours la réflexion, prend en charge un effort de raisonnement ajustable et conserve le contexte de raisonnement pour les tâches soutenues de programmation et de travail professionnel.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Points saillants de Qwen3.8 : raisonnement textuel soutenu
Qwen3.8-2.4T-A95B est le point de contrôle ouvert Qwen3.8 pour le raisonnement textuel. Qwen décrit des améliorations en programmation, en travail professionnel, en recherche et en tâches d’agent de longue durée, notamment la planification et l’utilisation de la rétroaction de l’environnement. Il accepte du texte et retourne du texte. Le fabricant le distingue explicitement de l’offre gérée Qwen3.8-Max : l’entrée visuelle et la prise en charge sans réflexion sont des fonctions supplémentaires de cette offre, et non des capacités de ce point de contrôle ouvert précis.
Pour une tâche de programmation, fournissez les modules pertinents, l’exigence et une entrée qui expose le comportement actuel. Demandez une modification expliquée et un livrable final qui peut être examiné. Pour un rapport de recherche ou professionnel, fournissez les éléments, les sections requises et les critères d’évaluation, puis demandez au modèle de distinguer les constats appuyés des hypothèses. Ce sont des applications pratiques du champ de tâches documenté, et non des promesses de code exécuté ou de conclusions certifiées par un expert.
Aperçu du modèle
Le modèle à mélange d’experts clairsemé compte 2.4 billions de paramètres au total et en active 95 milliards. Il comporte 92 couches et 512 experts routés, sélectionnant dix experts routés avec un expert partagé. Ses blocs hybrides combinent Gated DeltaNet et l’attention à portes avec des couches d’experts, selon un motif de trois pour un. La prédiction de plusieurs tokens fait partie de son entraînement. Le nombre de paramètres activés n’est pas la taille complète du point de contrôle, et un grand nombre total n’établit pas de garantie de temps de réponse.
Le contexte natif est de 262,144 tokens, avec une extension documentée jusqu’à 1,010,000. Cela diffère du contexte par défaut d’un million de tokens de la référence Max gérée. Utilisez l’allocation de séquence réellement configurée pour le texte source, l’historique de conversation, le raisonnement et la réponse finale au lieu de supposer que tous les plus grands chiffres s’appliquent simultanément.
Utiliser ce point de contrôle de réflexion précis
La réflexion est requise pour chaque interaction et ne peut pas être désactivée. La sortie documentée commence par un bloc de raisonnement avant le texte final. reasoning_effort prend en charge xhigh, medium et low; xhigh est la valeur par défaut. Low réduit la profondeur visée, mais reste un mode réflexion. Une demande de réponse finale concise peut contrôler le livrable souhaité sans convertir ce modèle en édition sans réflexion.
preserve_thinking est activé par défaut. La conservation du raisonnement des tours précédents aide une tâche itérative à maintenir son contexte décisionnel. Gardez les corrections, les résultats d’outils et la réponse finale associés aux tours qui les ont produits. Ce modèle doit suivre son propre contrat d’historique plutôt qu’hériter d’anciens conseils de suppression de tous les blocs de raisonnement des messages passés. L’exposition précise des réglages d’effort et de conservation dépend de l’interface qui implante la recette du point de contrôle.
Environnements d’orchestration et rétroaction de l’environnement
Qwen décrit la compatibilité avec des environnements d’orchestration du développement et des outils. Une tâche soutenue peut être exprimée par un objectif, des actions permises et des preuves d’achèvement; l’application peut ensuite fournir des observations provenant d’une inspection ou d’une exécution. Demandez au modèle d’expliquer comment chaque nouveau résultat modifie le plan et de signaler ce qui reste non résolu. Planifier une action et recevoir un résultat réel sont des parties différentes de ce processus.
Les exemples Max gérés de la fiche comprennent des outils intégrés supplémentaires. Ils ne doivent pas être convertis en recherche Web, en exécution de code ou en entrée visuelle automatiques pour ce modèle ouvert. Son rôle utile est celui d’un composant de raisonnement textuel dans un processus connecté; les outils et les effets externes relèvent de l’application qui les fournit.
Recommandations de génération
Le fabricant recommande temperature 1.0, top_p 0.95, top_k 20, min_p 0, une pénalité de présence de 0 et une pénalité de répétition de 1.0. Lorsque prise en charge, une pénalité de présence entre zéro et deux peut réduire le texte répété, mais des valeurs plus élevées peuvent mélanger les langues ou réduire légèrement la qualité. La prise en charge des paramètres varie selon l’implantation.
Pour un processus configuré d’un million de tokens avec des limites distinctes de raisonnement et de réponse finale, Qwen recommande 262,144 tokens pour le raisonnement et 131,072 pour la réponse finale. Ce sont des allocations conditionnelles, et non des plafonds stricts établis séparément ni des budgets qui tiennent ensemble dans le contexte natif de 262,144 tokens. Prévoyez assez d’espace pour un livrable complet et demandez un résultat final facile à repérer après le raisonnement.
Limites pratiques
Ce point de contrôle n’accepte pas les images, l’audio ni la vidéo. Au besoin, convertissez les éléments pertinents en représentation textuelle appropriée par un processus distinct, en conservant les identifiants permettant de vérifier la réponse. La fiche annonce un contexte étendu, mais ne donne pas de recette complète d’extension par tâche ni de limite universelle de médias pour ce modèle uniquement textuel. Préservez l’identité précise et la configuration du point de contrôle, vérifiez les calculs et les propositions de code par rapport à la source et traitez le livrable final comme un résultat à réviser plutôt qu’une preuve d’achèvement de toute une tâche externe.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.8-2.4t-a95b | 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 $0.004 / 1K jetons Sortie · Jetons en sortie $0.012 / 1K jetons Entrée · Lecture du cache $0.0005 / 1K jetons Entrée · Écriture dans le cache $0.005 / 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 $0.004 / 1K jetons Sortie · Jetons en sortie $0.012 / 1K jetons Entrée · Lecture du cache $0.0005 / 1K jetons Entrée · Écriture dans le cache $0.005 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen3.8-2.4t-a95b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.8-2.4t-a95b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.8-2.4t-a95b', '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/qwen3.8-2.4t-a95b
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Review a resumable migration plan\n\nReview this migration design against the requirement that every row is copied exactly once. Step 1 copies 100 rows after last_id. Step 2 saves last_id. A crash can occur between steps. Explain the duplicate risk after restart and propose a minimal idempotent write or atomic checkpoint design. Include a test that interrupts precisely between the two steps.A cause analysis, one concrete correction strategy and a crash-point regression scenario.Rerunning after the interruption cannot produce duplicate destination rows or skip uncopied source rows.