Points saillants de Qwen3.8 dans un modèle dense de vision et de langage
Qwen3.8-27B apporte les améliorations de Qwen3.8 en programmation, en travail professionnel, en recherche et en tâches d’agent à un modèle dense de 27 milliards de paramètres. Il accepte le texte, les images et la vidéo et retourne du texte. Son champ visuel documenté comprend les schémas STEM, les pages de documents et les vidéos de l’ordre d’une heure. C’est un point de contrôle distinct du beaucoup plus grand Qwen3.8-2.4T-A95B uniquement textuel; leurs capacités d’entrée et leurs contrats de réflexion doivent donc rester séparés.
Qwen met l’accent sur la planification autonome, l’utilisation de la rétroaction de l’environnement et l’intégration avec des environnements d’orchestration du développement. Pour une tâche d’agent, fournissez l’objectif, les documents pertinents, les outils permis et les éléments qui montreraient l’achèvement. Un modèle peut proposer et réviser des actions à partir des résultats retournés; le logiciel connecté effectue ces actions. Demandez le livrable final et les conditions non résolues plutôt que de traiter un plan comme un résultat exécuté.
Aperçu du modèle
Le modèle 27B compte 64 couches de modèle de langage. Sa structure hybride regroupe trois couches Gated DeltaNet suivies d’une couche d’attention à portes, avec des réseaux denses à propagation avant. Il est entraîné avec la prédiction de plusieurs tokens et comprend un encodeur visuel. Ces choix architecturaux décrivent le modèle publié; ils ne signifient pas que tous les déploiements ont la même utilisation de mémoire ou la même latence.
Le contexte natif est de 262,144 tokens, avec une extension documentée à 1,000,000. Le texte, la représentation visuelle, l’historique de conversation, la réflexion et la sortie finale partagent le budget de séquence configuré. Le fabricant aborde séparément une édition gérée avec des fonctions supplémentaires; ces fonctions ne doivent pas être attribuées automatiquement au point de contrôle ouvert.
Utiliser le texte, les images et la vidéo
Pour une tâche de code, fournissez la fonction ou le module pertinent, une entrée qui échoue et le comportement attendu, puis demandez un correctif avec les hypothèses touchées et les vérifications. Pour un schéma, préservez les libellés et donnez la question complète. Pour un document, demandez des champs nommés ou des conclusions avec des références de pages. Pour la vidéo, précisez l’événement d’intérêt et préservez son minutage.
L’exemple vidéo du fabricant utilise deux images par seconde par défaut dans son processus de service pris en charge, avec des réglages facultatifs d’échantillonnage. Un résumé général de scène et un événement bref peuvent exiger des échantillonnages différents. Les recommandations pour les longues vidéos conseillent d’augmenter le budget du processeur vidéo pour permettre un échantillonnage à fréquence plus élevée sur des documents de l’ordre d’une heure, avec un exemple correspondant à environ 224K tokens vidéo. Cela exige une configuration et concurrence les autres contenus du contexte; ce n’est pas une garantie universelle de durée d’extrait.
Réflexion et raisonnement historique
La réflexion est activée par défaut et peut être désactivée par requête avec le réglage enable_thinking du fabricant. reasoning_effort prend en charge xhigh, medium et low, avec xhigh par défaut. Un effort plus faible peut raccourcir un tour individuel, mais Qwen avertit qu’une analyse insuffisante dans les tâches d’agent peut causer des échecs et du travail répété, augmentant le temps total d’achèvement.
preserve_thinking est activé par défaut et conserve les blocs de raisonnement des messages historiques pour assurer la continuité. Sa désactivation conserve uniquement les blocs de réflexion générés pendant le traitement du dernier message utilisateur. Cela diffère des anciennes recommandations Qwen qui éliminent entièrement le raisonnement historique. Gardez le raisonnement et le contenu final distincts dans l’interface et préservez le format précis de conversation attendu par le point de contrôle. Les réglages du fabricant n’établissent pas quels paramètres une autre application expose.
Recommandations de génération
Pour la réflexion, Qwen 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. Pour les réponses directes, il recommande respectivement 0.7, 0.8, 20, 0, 1.5 et 1.0. Une pénalité de présence plus élevée peut réduire la répétition, mais peut mélanger les langues ou réduire légèrement la qualité.
Dans un processus configuré d’un million de tokens qui prend en charge des limites distinctes, le fabricant recommande des allocations de 262,144 tokens pour le raisonnement et de 131,072 pour la réponse finale. Ce sont des recommandations conditionnelles de budget, et non des plafonds stricts indépendants de sortie ni des allocations qui tiennent simultanément dans le contexte natif.
Contexte très long et limites
L’extension documentée utilise YaRN avec les réglages positionnels entrelacés propres au modèle. Un facteur de quatre vise le processus d’un million de tokens; pour une charge autour de 524,288 tokens, le fabricant suggère un facteur de deux. La mise à l’échelle statique peut affecter la qualité sur les textes plus courts; Qwen conseille donc de l’activer lorsque le contexte plus long est nécessaire. Ne copiez pas le facteur d’extrapolation d’une autre édition Qwen-VL sans sa propre recette.
Gardez les longues entrées organisées par document, page ou identifiant de code et demandez un résultat vérifiable. Vérifiez les calculs, les petits libellés visuels et les correctifs générés par rapport à la source. Un long contexte, le raisonnement conservé et des budgets vidéo plus grands aident à transporter davantage d’éléments tout au long d’une tâche; ils n’établissent pas à eux seuls un rappel complet, un raisonnement correct ou une action externe terminée.
", "aboutText": "Points saillants de Qwen3.8 dans un modèle dense de vision et de langage\n\nQwen3.8-27B apporte les améliorations de Qwen3.8 en programmation, en travail professionnel, en recherche et en tâches d’agent à un modèle dense de 27 milliards de paramètres. Il accepte le texte, les images et la vidéo et retourne du texte. Son champ visuel documenté comprend les schémas STEM, les pages de documents et les vidéos de l’ordre d’une heure. C’est un point de contrôle distinct du beaucoup plus grand Qwen3.8-2.4T-A95B uniquement textuel; leurs capacités d’entrée et leurs contrats de réflexion doivent donc rester séparés.\n\nQwen met l’accent sur la planification autonome, l’utilisation de la rétroaction de l’environnement et l’intégration avec des environnements d’orchestration du développement. Pour une tâche d’agent, fournissez l’objectif, les documents pertinents, les outils permis et les éléments qui montreraient l’achèvement. Un modèle peut proposer et réviser des actions à partir des résultats retournés; le logiciel connecté effectue ces actions. Demandez le livrable final et les conditions non résolues plutôt que de traiter un plan comme un résultat exécuté.\n\nAperçu du modèle\n\nLe modèle 27B compte 64 couches de modèle de langage. Sa structure hybride regroupe trois couches Gated DeltaNet suivies d’une couche d’attention à portes, avec des réseaux denses à propagation avant. Il est entraîné avec la prédiction de plusieurs tokens et comprend un encodeur visuel. Ces choix architecturaux décrivent le modèle publié; ils ne signifient pas que tous les déploiements ont la même utilisation de mémoire ou la même latence.\n\nLe contexte natif est de 262,144 tokens, avec une extension documentée à 1,000,000. Le texte, la représentation visuelle, l’historique de conversation, la réflexion et la sortie finale partagent le budget de séquence configuré. Le fabricant aborde séparément une édition gérée avec des fonctions supplémentaires; ces fonctions ne doivent pas être attribuées automatiquement au point de contrôle ouvert.\n\nUtiliser le texte, les images et la vidéo\n\nPour une tâche de code, fournissez la fonction ou le module pertinent, une entrée qui échoue et le comportement attendu, puis demandez un correctif avec les hypothèses touchées et les vérifications. Pour un schéma, préservez les libellés et donnez la question complète. Pour un document, demandez des champs nommés ou des conclusions avec des références de pages. Pour la vidéo, précisez l’événement d’intérêt et préservez son minutage.\n\nL’exemple vidéo du fabricant utilise deux images par seconde par défaut dans son processus de service pris en charge, avec des réglages facultatifs d’échantillonnage. Un résumé général de scène et un événement bref peuvent exiger des échantillonnages différents. Les recommandations pour les longues vidéos conseillent d’augmenter le budget du processeur vidéo pour permettre un échantillonnage à fréquence plus élevée sur des documents de l’ordre d’une heure, avec un exemple correspondant à environ 224K tokens vidéo. Cela exige une configuration et concurrence les autres contenus du contexte; ce n’est pas une garantie universelle de durée d’extrait.\n\nRéflexion et raisonnement historique\n\nLa réflexion est activée par défaut et peut être désactivée par requête avec le réglage enable_thinking du fabricant. reasoning_effort prend en charge xhigh, medium et low, avec xhigh par défaut. Un effort plus faible peut raccourcir un tour individuel, mais Qwen avertit qu’une analyse insuffisante dans les tâches d’agent peut causer des échecs et du travail répété, augmentant le temps total d’achèvement.\n\npreserve_thinking est activé par défaut et conserve les blocs de raisonnement des messages historiques pour assurer la continuité. Sa désactivation conserve uniquement les blocs de réflexion générés pendant le traitement du dernier message utilisateur. Cela diffère des anciennes recommandations Qwen qui éliminent entièrement le raisonnement historique. Gardez le raisonnement et le contenu final distincts dans l’interface et préservez le format précis de conversation attendu par le point de contrôle. Les réglages du fabricant n’établissent pas quels paramètres une autre application expose.\n\nRecommandations de génération\n\nPour la réflexion, Qwen 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. Pour les réponses directes, il recommande respectivement 0.7, 0.8, 20, 0, 1.5 et 1.0. Une pénalité de présence plus élevée peut réduire la répétition, mais peut mélanger les langues ou réduire légèrement la qualité.\n\nDans un processus configuré d’un million de tokens qui prend en charge des limites distinctes, le fabricant recommande des allocations de 262,144 tokens pour le raisonnement et de 131,072 pour la réponse finale. Ce sont des recommandations conditionnelles de budget, et non des plafonds stricts indépendants de sortie ni des allocations qui tiennent simultanément dans le contexte natif.\n\nContexte très long et limites\n\nL’extension documentée utilise YaRN avec les réglages positionnels entrelacés propres au modèle. Un facteur de quatre vise le processus d’un million de tokens; pour une charge autour de 524,288 tokens, le fabricant suggère un facteur de deux. La mise à l’échelle statique peut affecter la qualité sur les textes plus courts; Qwen conseille donc de l’activer lorsque le contexte plus long est nécessaire. Ne copiez pas le facteur d’extrapolation d’une autre édition Qwen-VL sans sa propre recette.\n\nGardez les longues entrées organisées par document, page ou identifiant de code et demandez un résultat vérifiable. Vérifiez les calculs, les petits libellés visuels et les correctifs générés par rapport à la source. Un long contexte, le raisonnement conservé et des budgets vidéo plus grands aident à transporter davantage d’éléments tout au long d’une tâche; ils n’établissent pas à eux seuls un rappel complet, un raisonnement correct ou une action externe terminée.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Analyze a circuit described in text\n\nA written circuit description gives two 6-ohm resistors connected in parallel across an ideal 12-volt source. Assume ideal wires and constant resistance. Derive the equivalent resistance, total current and current through each branch. Show the formulas and verify that branch currents add to the total. No circuit image or execution tool is provided.A short derivation with units, three requested quantities and a current-sum check.Equivalent resistance is 3 ohms and the two equal branch currents sum to the derived total current.qwen/qwen3.8-27bQwen3.8-27B est le modèle dense de vision et de langage de Qwen pour le texte, les images et la vidéo, avec sortie textuelle. Il combine la programmation et le travail d’agent sur de longues séquences d’étapes avec une réflexion sélectionnable, la conservation du raisonnement et un contexte natif de 262,144 tokens, extensible à un million par configuration.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Points saillants de Qwen3.8 dans un modèle dense de vision et de langage
Qwen3.8-27B apporte les améliorations de Qwen3.8 en programmation, en travail professionnel, en recherche et en tâches d’agent à un modèle dense de 27 milliards de paramètres. Il accepte le texte, les images et la vidéo et retourne du texte. Son champ visuel documenté comprend les schémas STEM, les pages de documents et les vidéos de l’ordre d’une heure. C’est un point de contrôle distinct du beaucoup plus grand Qwen3.8-2.4T-A95B uniquement textuel; leurs capacités d’entrée et leurs contrats de réflexion doivent donc rester séparés.
Qwen met l’accent sur la planification autonome, l’utilisation de la rétroaction de l’environnement et l’intégration avec des environnements d’orchestration du développement. Pour une tâche d’agent, fournissez l’objectif, les documents pertinents, les outils permis et les éléments qui montreraient l’achèvement. Un modèle peut proposer et réviser des actions à partir des résultats retournés; le logiciel connecté effectue ces actions. Demandez le livrable final et les conditions non résolues plutôt que de traiter un plan comme un résultat exécuté.
Aperçu du modèle
Le modèle 27B compte 64 couches de modèle de langage. Sa structure hybride regroupe trois couches Gated DeltaNet suivies d’une couche d’attention à portes, avec des réseaux denses à propagation avant. Il est entraîné avec la prédiction de plusieurs tokens et comprend un encodeur visuel. Ces choix architecturaux décrivent le modèle publié; ils ne signifient pas que tous les déploiements ont la même utilisation de mémoire ou la même latence.
Le contexte natif est de 262,144 tokens, avec une extension documentée à 1,000,000. Le texte, la représentation visuelle, l’historique de conversation, la réflexion et la sortie finale partagent le budget de séquence configuré. Le fabricant aborde séparément une édition gérée avec des fonctions supplémentaires; ces fonctions ne doivent pas être attribuées automatiquement au point de contrôle ouvert.
Utiliser le texte, les images et la vidéo
Pour une tâche de code, fournissez la fonction ou le module pertinent, une entrée qui échoue et le comportement attendu, puis demandez un correctif avec les hypothèses touchées et les vérifications. Pour un schéma, préservez les libellés et donnez la question complète. Pour un document, demandez des champs nommés ou des conclusions avec des références de pages. Pour la vidéo, précisez l’événement d’intérêt et préservez son minutage.
L’exemple vidéo du fabricant utilise deux images par seconde par défaut dans son processus de service pris en charge, avec des réglages facultatifs d’échantillonnage. Un résumé général de scène et un événement bref peuvent exiger des échantillonnages différents. Les recommandations pour les longues vidéos conseillent d’augmenter le budget du processeur vidéo pour permettre un échantillonnage à fréquence plus élevée sur des documents de l’ordre d’une heure, avec un exemple correspondant à environ 224K tokens vidéo. Cela exige une configuration et concurrence les autres contenus du contexte; ce n’est pas une garantie universelle de durée d’extrait.
Réflexion et raisonnement historique
La réflexion est activée par défaut et peut être désactivée par requête avec le réglage enable_thinking du fabricant. reasoning_effort prend en charge xhigh, medium et low, avec xhigh par défaut. Un effort plus faible peut raccourcir un tour individuel, mais Qwen avertit qu’une analyse insuffisante dans les tâches d’agent peut causer des échecs et du travail répété, augmentant le temps total d’achèvement.
preserve_thinking est activé par défaut et conserve les blocs de raisonnement des messages historiques pour assurer la continuité. Sa désactivation conserve uniquement les blocs de réflexion générés pendant le traitement du dernier message utilisateur. Cela diffère des anciennes recommandations Qwen qui éliminent entièrement le raisonnement historique. Gardez le raisonnement et le contenu final distincts dans l’interface et préservez le format précis de conversation attendu par le point de contrôle. Les réglages du fabricant n’établissent pas quels paramètres une autre application expose.
Recommandations de génération
Pour la réflexion, Qwen 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. Pour les réponses directes, il recommande respectivement 0.7, 0.8, 20, 0, 1.5 et 1.0. Une pénalité de présence plus élevée peut réduire la répétition, mais peut mélanger les langues ou réduire légèrement la qualité.
Dans un processus configuré d’un million de tokens qui prend en charge des limites distinctes, le fabricant recommande des allocations de 262,144 tokens pour le raisonnement et de 131,072 pour la réponse finale. Ce sont des recommandations conditionnelles de budget, et non des plafonds stricts indépendants de sortie ni des allocations qui tiennent simultanément dans le contexte natif.
Contexte très long et limites
L’extension documentée utilise YaRN avec les réglages positionnels entrelacés propres au modèle. Un facteur de quatre vise le processus d’un million de tokens; pour une charge autour de 524,288 tokens, le fabricant suggère un facteur de deux. La mise à l’échelle statique peut affecter la qualité sur les textes plus courts; Qwen conseille donc de l’activer lorsque le contexte plus long est nécessaire. Ne copiez pas le facteur d’extrapolation d’une autre édition Qwen-VL sans sa propre recette.
Gardez les longues entrées organisées par document, page ou identifiant de code et demandez un résultat vérifiable. Vérifiez les calculs, les petits libellés visuels et les correctifs générés par rapport à la source. Un long contexte, le raisonnement conservé et des budgets vidéo plus grands aident à transporter davantage d’éléments tout au long d’une tâche; ils n’établissent pas à eux seuls un rappel complet, un raisonnement correct ou une action externe terminée.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.8-27b | 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 $0.00085 / 1K jetons Sortie · Jetons en sortie $0.0051 / 1K jetons Entrée · Lecture du cache $0.00017 / 1K jetons Entrée · Écriture dans le cache $0.0010625 / 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 $0.00085 / 1K jetons Sortie · Jetons en sortie $0.0051 / 1K jetons Entrée · Lecture du cache $0.00017 / 1K jetons Entrée · Écriture dans le cache $0.0010625 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.8-27b", "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/qwen3.8-27b',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/qwen3.8-27b',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/qwen3.8-27b
Utilisez les chemins de méthode indiqués ci-dessus.
qwen/qwen3.8-27bQwen3.8-27B est le modèle dense de vision et de langage de Qwen pour le texte, les images et la vidéo, avec sortie textuelle. Il combine la programmation et le travail d’agent sur de longues séquences d’étapes avec une réflexion sélectionnable, la conservation du raisonnement et un contexte natif de 262,144 tokens, extensible à un million par configuration.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Points saillants de Qwen3.8 dans un modèle dense de vision et de langage
Qwen3.8-27B apporte les améliorations de Qwen3.8 en programmation, en travail professionnel, en recherche et en tâches d’agent à un modèle dense de 27 milliards de paramètres. Il accepte le texte, les images et la vidéo et retourne du texte. Son champ visuel documenté comprend les schémas STEM, les pages de documents et les vidéos de l’ordre d’une heure. C’est un point de contrôle distinct du beaucoup plus grand Qwen3.8-2.4T-A95B uniquement textuel; leurs capacités d’entrée et leurs contrats de réflexion doivent donc rester séparés.
Qwen met l’accent sur la planification autonome, l’utilisation de la rétroaction de l’environnement et l’intégration avec des environnements d’orchestration du développement. Pour une tâche d’agent, fournissez l’objectif, les documents pertinents, les outils permis et les éléments qui montreraient l’achèvement. Un modèle peut proposer et réviser des actions à partir des résultats retournés; le logiciel connecté effectue ces actions. Demandez le livrable final et les conditions non résolues plutôt que de traiter un plan comme un résultat exécuté.
Aperçu du modèle
Le modèle 27B compte 64 couches de modèle de langage. Sa structure hybride regroupe trois couches Gated DeltaNet suivies d’une couche d’attention à portes, avec des réseaux denses à propagation avant. Il est entraîné avec la prédiction de plusieurs tokens et comprend un encodeur visuel. Ces choix architecturaux décrivent le modèle publié; ils ne signifient pas que tous les déploiements ont la même utilisation de mémoire ou la même latence.
Le contexte natif est de 262,144 tokens, avec une extension documentée à 1,000,000. Le texte, la représentation visuelle, l’historique de conversation, la réflexion et la sortie finale partagent le budget de séquence configuré. Le fabricant aborde séparément une édition gérée avec des fonctions supplémentaires; ces fonctions ne doivent pas être attribuées automatiquement au point de contrôle ouvert.
Utiliser le texte, les images et la vidéo
Pour une tâche de code, fournissez la fonction ou le module pertinent, une entrée qui échoue et le comportement attendu, puis demandez un correctif avec les hypothèses touchées et les vérifications. Pour un schéma, préservez les libellés et donnez la question complète. Pour un document, demandez des champs nommés ou des conclusions avec des références de pages. Pour la vidéo, précisez l’événement d’intérêt et préservez son minutage.
L’exemple vidéo du fabricant utilise deux images par seconde par défaut dans son processus de service pris en charge, avec des réglages facultatifs d’échantillonnage. Un résumé général de scène et un événement bref peuvent exiger des échantillonnages différents. Les recommandations pour les longues vidéos conseillent d’augmenter le budget du processeur vidéo pour permettre un échantillonnage à fréquence plus élevée sur des documents de l’ordre d’une heure, avec un exemple correspondant à environ 224K tokens vidéo. Cela exige une configuration et concurrence les autres contenus du contexte; ce n’est pas une garantie universelle de durée d’extrait.
Réflexion et raisonnement historique
La réflexion est activée par défaut et peut être désactivée par requête avec le réglage enable_thinking du fabricant. reasoning_effort prend en charge xhigh, medium et low, avec xhigh par défaut. Un effort plus faible peut raccourcir un tour individuel, mais Qwen avertit qu’une analyse insuffisante dans les tâches d’agent peut causer des échecs et du travail répété, augmentant le temps total d’achèvement.
preserve_thinking est activé par défaut et conserve les blocs de raisonnement des messages historiques pour assurer la continuité. Sa désactivation conserve uniquement les blocs de réflexion générés pendant le traitement du dernier message utilisateur. Cela diffère des anciennes recommandations Qwen qui éliminent entièrement le raisonnement historique. Gardez le raisonnement et le contenu final distincts dans l’interface et préservez le format précis de conversation attendu par le point de contrôle. Les réglages du fabricant n’établissent pas quels paramètres une autre application expose.
Recommandations de génération
Pour la réflexion, Qwen 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. Pour les réponses directes, il recommande respectivement 0.7, 0.8, 20, 0, 1.5 et 1.0. Une pénalité de présence plus élevée peut réduire la répétition, mais peut mélanger les langues ou réduire légèrement la qualité.
Dans un processus configuré d’un million de tokens qui prend en charge des limites distinctes, le fabricant recommande des allocations de 262,144 tokens pour le raisonnement et de 131,072 pour la réponse finale. Ce sont des recommandations conditionnelles de budget, et non des plafonds stricts indépendants de sortie ni des allocations qui tiennent simultanément dans le contexte natif.
Contexte très long et limites
L’extension documentée utilise YaRN avec les réglages positionnels entrelacés propres au modèle. Un facteur de quatre vise le processus d’un million de tokens; pour une charge autour de 524,288 tokens, le fabricant suggère un facteur de deux. La mise à l’échelle statique peut affecter la qualité sur les textes plus courts; Qwen conseille donc de l’activer lorsque le contexte plus long est nécessaire. Ne copiez pas le facteur d’extrapolation d’une autre édition Qwen-VL sans sa propre recette.
Gardez les longues entrées organisées par document, page ou identifiant de code et demandez un résultat vérifiable. Vérifiez les calculs, les petits libellés visuels et les correctifs générés par rapport à la source. Un long contexte, le raisonnement conservé et des budgets vidéo plus grands aident à transporter davantage d’éléments tout au long d’une tâche; ils n’établissent pas à eux seuls un rappel complet, un raisonnement correct ou une action externe terminée.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.8-27b | 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 $0.00085 / 1K jetons Sortie · Jetons en sortie $0.0051 / 1K jetons Entrée · Lecture du cache $0.00017 / 1K jetons Entrée · Écriture dans le cache $0.0010625 / 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 $0.00085 / 1K jetons Sortie · Jetons en sortie $0.0051 / 1K jetons Entrée · Lecture du cache $0.00017 / 1K jetons Entrée · Écriture dans le cache $0.0010625 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen3.8-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.8-27b', '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/qwen3.8-27b', '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/qwen3.8-27b
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Analyze a circuit described in text\n\nA written circuit description gives two 6-ohm resistors connected in parallel across an ideal 12-volt source. Assume ideal wires and constant resistance. Derive the equivalent resistance, total current and current through each branch. Show the formulas and verify that branch currents add to the total. No circuit image or execution tool is provided.A short derivation with units, three requested quantities and a current-sum check.Equivalent resistance is 3 ohms and the two equal branch currents sum to the derived total current.