Qwen3-1.7B combine les réponses directes et le raisonnement dans un petit modèle de langage dense. Le fabricant décrit le suivi des consignes, la rédaction créative, les conversations fondées sur des rôles, les mathématiques, les problèmes logiques et le code, avec plus de 100 langues et dialectes pris en charge. Il reçoit du texte et produit du texte. Une bonne tâche de départ est une transformation précisément définie : convertir un court message client en réponse polie, expliquer un terme à un lectorat particulier ou transformer une note de réunion en liste d’actions.
Cette version précise compte 1.7 milliard de paramètres, dont 1.4 milliard hors plongements, et 28 couches. L’attention à requêtes groupées utilise 16 têtes de requête et huit têtes clé/valeur. Sa propre fiche de modèle indique une longueur de contexte de 32,768 tokens. Il s’agit de la fenêtre documentée de cette édition; les chiffres de contextes plus grands pour d’autres tailles de Qwen3 doivent rester associés à leurs fiches distinctes. Gardez le texte source, les consignes, l’historique de conversation et la réponse demandée dans le budget de séquence pertinent. Pour un assistant de réponse, fournissez le message reçu, les faits contextuels vérifiés, le public et la longueur souhaitée plutôt qu’une archive complète de correspondance sans rapport.
Le guide de démarrage du fabricant met en forme une conversation avec le gabarit de conversation du modèle. Préparez une petite tâche complète vérifiable à partir de sa source. Pour une liste d’actions, donnez une note contenant des noms, des dates et des décisions, demandez un élément par action et exigez une valeur explicitement inconnue lorsque la responsabilité n’est pas indiquée. Pour un exemple de programmation, fournissez une fonction et des entrées représentatives, puis demandez au modèle d’expliquer la branche qui détermine le résultat. L’explication retournée doit faire référence aux variables et aux conditions réelles plutôt que d’introduire un comportement hypothétique. L’intégration publiée exige un environnement d’exécution compatible avec Qwen3; la fiche avertit que les versions de Transformers antérieures à 4.51.0 ne reconnaissent pas l’architecture requise.
La réflexion est activée par défaut dans le gabarit fourni. Un commutateur strict sélectionne la sortie sans réflexion, sans section de raisonnement. Lorsque la réflexion reste activée, /think et /no_think servent de consignes pour chaque tour, la plus récente déterminant le choix; elles ne peuvent pas outrepasser un mode désactivé par le commutateur strict. Utilisez le réglage direct pour une courte reformulation et un réglage de raisonnement lorsqu’une réponse doit concilier plusieurs conditions. Gardez le raisonnement intermédiaire séparé de la réponse finale et conservez cette dernière dans l’historique des échanges suivants. Lorsque la réflexion est activée, même une demande souple sans réflexion conserve un bloc de raisonnement; son contenu peut être vide. La désactivation stricte supprime ce bloc.
L’utilisation comme agent fait partie des capacités publiées. Le fabricant recommande Qwen-Agent pour la mise en forme et l’analyse des outils, tandis que l’application fournit et exécute les outils. Un assistant ciblé pourrait demander une recherche dans un dictionnaire pour un terme de produit, recevoir la définition confirmée, puis reformuler la phrase de l’utilisateur. Définissez l’argument permis et les champs retournés; vérifiez les deux avant d’utiliser le résultat. Le texte final doit distinguer les faits fournis, l’information retournée et les questions toujours sans réponse. Le guide Qwen3 décrit aussi les appels d’outils parallèles et en plusieurs étapes, avec des arguments représentés comme objets et des résultats réintroduits dans la conversation.
Le budget de sortie doit convenir à l’ensemble de la tâche. La fiche du modèle fournit des exemples de génération et des recommandations de longueur de sortie; ils diffèrent d’un maximum prouvé du côté du service. Les sorties courtes demandées sont faciles à vérifier : précisez les champs, l’ordre et la langue, et gardez le message original pour comparaison. Évaluez le résultat sur la catégorie réelle d’entrées avant de vous fier à la génération longue. La documentation Qwen3 aborde des longueurs de messages d’assistant de 38,912 tokens en mode réflexion et de 16,384 sans réflexion dans son explication des longueurs d’entraînement, et recommande d’évaluer la qualité des générations plus longues. Ces chiffres diffèrent de la fenêtre de contexte globale et ne constituent pas un plafond strict propre à un point de terminaison.
Cette taille comporte une note particulière sur la répétition persistante : la fiche suggère les réglages d’échantillonnage recommandés et presence_penalty 1.5 lorsqu’une répétition importante survient. Des pénalités plus élevées peuvent parfois mélanger les langues ou réduire la performance. Pour la réflexion, la température suggérée est de 0.6 avec top-p 0.95, top-k 20 et min-p 0; sans réflexion, elle est de 0.7 avec top-p 0.8, top-k 20 et min-p 0. Évitez le décodage glouton en mode raisonnement. Vérifiez les noms, les dates, les étiquettes et les propositions répétées, et validez toute sortie structurée avant de la transmettre à une autre partie d’une application.
", "aboutText": "Qwen3-1.7B combine les réponses directes et le raisonnement dans un petit modèle de langage dense. Le fabricant décrit le suivi des consignes, la rédaction créative, les conversations fondées sur des rôles, les mathématiques, les problèmes logiques et le code, avec plus de 100 langues et dialectes pris en charge. Il reçoit du texte et produit du texte. Une bonne tâche de départ est une transformation précisément définie : convertir un court message client en réponse polie, expliquer un terme à un lectorat particulier ou transformer une note de réunion en liste d’actions.\n\nCette version précise compte 1.7 milliard de paramètres, dont 1.4 milliard hors plongements, et 28 couches. L’attention à requêtes groupées utilise 16 têtes de requête et huit têtes clé/valeur. Sa propre fiche de modèle indique une longueur de contexte de 32,768 tokens. Il s’agit de la fenêtre documentée de cette édition; les chiffres de contextes plus grands pour d’autres tailles de Qwen3 doivent rester associés à leurs fiches distinctes. Gardez le texte source, les consignes, l’historique de conversation et la réponse demandée dans le budget de séquence pertinent. Pour un assistant de réponse, fournissez le message reçu, les faits contextuels vérifiés, le public et la longueur souhaitée plutôt qu’une archive complète de correspondance sans rapport.\n\nLe guide de démarrage du fabricant met en forme une conversation avec le gabarit de conversation du modèle. Préparez une petite tâche complète vérifiable à partir de sa source. Pour une liste d’actions, donnez une note contenant des noms, des dates et des décisions, demandez un élément par action et exigez une valeur explicitement inconnue lorsque la responsabilité n’est pas indiquée. Pour un exemple de programmation, fournissez une fonction et des entrées représentatives, puis demandez au modèle d’expliquer la branche qui détermine le résultat. L’explication retournée doit faire référence aux variables et aux conditions réelles plutôt que d’introduire un comportement hypothétique. L’intégration publiée exige un environnement d’exécution compatible avec Qwen3; la fiche avertit que les versions de Transformers antérieures à 4.51.0 ne reconnaissent pas l’architecture requise.\n\nLa réflexion est activée par défaut dans le gabarit fourni. Un commutateur strict sélectionne la sortie sans réflexion, sans section de raisonnement. Lorsque la réflexion reste activée, /think et /no_think servent de consignes pour chaque tour, la plus récente déterminant le choix; elles ne peuvent pas outrepasser un mode désactivé par le commutateur strict. Utilisez le réglage direct pour une courte reformulation et un réglage de raisonnement lorsqu’une réponse doit concilier plusieurs conditions. Gardez le raisonnement intermédiaire séparé de la réponse finale et conservez cette dernière dans l’historique des échanges suivants. Lorsque la réflexion est activée, même une demande souple sans réflexion conserve un bloc de raisonnement; son contenu peut être vide. La désactivation stricte supprime ce bloc.\n\nL’utilisation comme agent fait partie des capacités publiées. Le fabricant recommande Qwen-Agent pour la mise en forme et l’analyse des outils, tandis que l’application fournit et exécute les outils. Un assistant ciblé pourrait demander une recherche dans un dictionnaire pour un terme de produit, recevoir la définition confirmée, puis reformuler la phrase de l’utilisateur. Définissez l’argument permis et les champs retournés; vérifiez les deux avant d’utiliser le résultat. Le texte final doit distinguer les faits fournis, l’information retournée et les questions toujours sans réponse. Le guide Qwen3 décrit aussi les appels d’outils parallèles et en plusieurs étapes, avec des arguments représentés comme objets et des résultats réintroduits dans la conversation.\n\nLe budget de sortie doit convenir à l’ensemble de la tâche. La fiche du modèle fournit des exemples de génération et des recommandations de longueur de sortie; ils diffèrent d’un maximum prouvé du côté du service. Les sorties courtes demandées sont faciles à vérifier : précisez les champs, l’ordre et la langue, et gardez le message original pour comparaison. Évaluez le résultat sur la catégorie réelle d’entrées avant de vous fier à la génération longue. La documentation Qwen3 aborde des longueurs de messages d’assistant de 38,912 tokens en mode réflexion et de 16,384 sans réflexion dans son explication des longueurs d’entraînement, et recommande d’évaluer la qualité des générations plus longues. Ces chiffres diffèrent de la fenêtre de contexte globale et ne constituent pas un plafond strict propre à un point de terminaison.\n\nCette taille comporte une note particulière sur la répétition persistante : la fiche suggère les réglages d’échantillonnage recommandés et presence_penalty 1.5 lorsqu’une répétition importante survient. Des pénalités plus élevées peuvent parfois mélanger les langues ou réduire la performance. Pour la réflexion, la température suggérée est de 0.6 avec top-p 0.95, top-k 20 et min-p 0; sans réflexion, elle est de 0.7 avec top-p 0.8, top-k 20 et min-p 0. Évitez le décodage glouton en mode raisonnement. Vérifiez les noms, les dates, les étiquettes et les propositions répétées, et validez toute sortie structurée avant de la transmettre à une autre partie d’une application.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Convert a short note into actions\n\nTurn this note into an action list: 'Mina will order six folders by Thursday. Leo will check the cupboard today. Someone must print the welcome sheets before Friday, but we have not assigned that task.' Return one row per action with owner, task and deadline; use 'unassigned' where needed.Three action rows retaining names, deadlines and the unassigned printing owner.Do not assign the printing task to Mina or Leo without evidence in the note.qwen3-1.7bQwen3-1.7B est un modèle de texte dense et compact doté de modes de réponse directe et de réflexion. Il prend en charge le dialogue multilingue, la rédaction, le code et les consignes orientées outils, avec un contexte de 32,768 tokens documenté pour cette version précise.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen3-1.7B combine les réponses directes et le raisonnement dans un petit modèle de langage dense. Le fabricant décrit le suivi des consignes, la rédaction créative, les conversations fondées sur des rôles, les mathématiques, les problèmes logiques et le code, avec plus de 100 langues et dialectes pris en charge. Il reçoit du texte et produit du texte. Une bonne tâche de départ est une transformation précisément définie : convertir un court message client en réponse polie, expliquer un terme à un lectorat particulier ou transformer une note de réunion en liste d’actions.
Cette version précise compte 1.7 milliard de paramètres, dont 1.4 milliard hors plongements, et 28 couches. L’attention à requêtes groupées utilise 16 têtes de requête et huit têtes clé/valeur. Sa propre fiche de modèle indique une longueur de contexte de 32,768 tokens. Il s’agit de la fenêtre documentée de cette édition; les chiffres de contextes plus grands pour d’autres tailles de Qwen3 doivent rester associés à leurs fiches distinctes. Gardez le texte source, les consignes, l’historique de conversation et la réponse demandée dans le budget de séquence pertinent. Pour un assistant de réponse, fournissez le message reçu, les faits contextuels vérifiés, le public et la longueur souhaitée plutôt qu’une archive complète de correspondance sans rapport.
Le guide de démarrage du fabricant met en forme une conversation avec le gabarit de conversation du modèle. Préparez une petite tâche complète vérifiable à partir de sa source. Pour une liste d’actions, donnez une note contenant des noms, des dates et des décisions, demandez un élément par action et exigez une valeur explicitement inconnue lorsque la responsabilité n’est pas indiquée. Pour un exemple de programmation, fournissez une fonction et des entrées représentatives, puis demandez au modèle d’expliquer la branche qui détermine le résultat. L’explication retournée doit faire référence aux variables et aux conditions réelles plutôt que d’introduire un comportement hypothétique. L’intégration publiée exige un environnement d’exécution compatible avec Qwen3; la fiche avertit que les versions de Transformers antérieures à 4.51.0 ne reconnaissent pas l’architecture requise.
La réflexion est activée par défaut dans le gabarit fourni. Un commutateur strict sélectionne la sortie sans réflexion, sans section de raisonnement. Lorsque la réflexion reste activée, /think et /no_think servent de consignes pour chaque tour, la plus récente déterminant le choix; elles ne peuvent pas outrepasser un mode désactivé par le commutateur strict. Utilisez le réglage direct pour une courte reformulation et un réglage de raisonnement lorsqu’une réponse doit concilier plusieurs conditions. Gardez le raisonnement intermédiaire séparé de la réponse finale et conservez cette dernière dans l’historique des échanges suivants. Lorsque la réflexion est activée, même une demande souple sans réflexion conserve un bloc de raisonnement; son contenu peut être vide. La désactivation stricte supprime ce bloc.
L’utilisation comme agent fait partie des capacités publiées. Le fabricant recommande Qwen-Agent pour la mise en forme et l’analyse des outils, tandis que l’application fournit et exécute les outils. Un assistant ciblé pourrait demander une recherche dans un dictionnaire pour un terme de produit, recevoir la définition confirmée, puis reformuler la phrase de l’utilisateur. Définissez l’argument permis et les champs retournés; vérifiez les deux avant d’utiliser le résultat. Le texte final doit distinguer les faits fournis, l’information retournée et les questions toujours sans réponse. Le guide Qwen3 décrit aussi les appels d’outils parallèles et en plusieurs étapes, avec des arguments représentés comme objets et des résultats réintroduits dans la conversation.
Le budget de sortie doit convenir à l’ensemble de la tâche. La fiche du modèle fournit des exemples de génération et des recommandations de longueur de sortie; ils diffèrent d’un maximum prouvé du côté du service. Les sorties courtes demandées sont faciles à vérifier : précisez les champs, l’ordre et la langue, et gardez le message original pour comparaison. Évaluez le résultat sur la catégorie réelle d’entrées avant de vous fier à la génération longue. La documentation Qwen3 aborde des longueurs de messages d’assistant de 38,912 tokens en mode réflexion et de 16,384 sans réflexion dans son explication des longueurs d’entraînement, et recommande d’évaluer la qualité des générations plus longues. Ces chiffres diffèrent de la fenêtre de contexte globale et ne constituent pas un plafond strict propre à un point de terminaison.
Cette taille comporte une note particulière sur la répétition persistante : la fiche suggère les réglages d’échantillonnage recommandés et presence_penalty 1.5 lorsqu’une répétition importante survient. Des pénalités plus élevées peuvent parfois mélanger les langues ou réduire la performance. Pour la réflexion, la température suggérée est de 0.6 avec top-p 0.95, top-k 20 et min-p 0; sans réflexion, elle est de 0.7 avec top-p 0.8, top-k 20 et min-p 0. Évitez le décodage glouton en mode raisonnement. Vérifiez les noms, les dates, les étiquettes et les propositions répétées, et validez toute sortie structurée avant de la transmettre à une autre partie d’une application.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen3-1.7b | 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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.0001 / 1K jetons Sortie · Jetons en sortie $0.001 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen3-1.7b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen3-1.7b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen3-1.7b',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 qwen3-1.7b
Utilisez les chemins de méthode indiqués ci-dessus.
qwen3-1.7bQwen3-1.7B est un modèle de texte dense et compact doté de modes de réponse directe et de réflexion. Il prend en charge le dialogue multilingue, la rédaction, le code et les consignes orientées outils, avec un contexte de 32,768 tokens documenté pour cette version précise.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Qwen3-1.7B combine les réponses directes et le raisonnement dans un petit modèle de langage dense. Le fabricant décrit le suivi des consignes, la rédaction créative, les conversations fondées sur des rôles, les mathématiques, les problèmes logiques et le code, avec plus de 100 langues et dialectes pris en charge. Il reçoit du texte et produit du texte. Une bonne tâche de départ est une transformation précisément définie : convertir un court message client en réponse polie, expliquer un terme à un lectorat particulier ou transformer une note de réunion en liste d’actions.
Cette version précise compte 1.7 milliard de paramètres, dont 1.4 milliard hors plongements, et 28 couches. L’attention à requêtes groupées utilise 16 têtes de requête et huit têtes clé/valeur. Sa propre fiche de modèle indique une longueur de contexte de 32,768 tokens. Il s’agit de la fenêtre documentée de cette édition; les chiffres de contextes plus grands pour d’autres tailles de Qwen3 doivent rester associés à leurs fiches distinctes. Gardez le texte source, les consignes, l’historique de conversation et la réponse demandée dans le budget de séquence pertinent. Pour un assistant de réponse, fournissez le message reçu, les faits contextuels vérifiés, le public et la longueur souhaitée plutôt qu’une archive complète de correspondance sans rapport.
Le guide de démarrage du fabricant met en forme une conversation avec le gabarit de conversation du modèle. Préparez une petite tâche complète vérifiable à partir de sa source. Pour une liste d’actions, donnez une note contenant des noms, des dates et des décisions, demandez un élément par action et exigez une valeur explicitement inconnue lorsque la responsabilité n’est pas indiquée. Pour un exemple de programmation, fournissez une fonction et des entrées représentatives, puis demandez au modèle d’expliquer la branche qui détermine le résultat. L’explication retournée doit faire référence aux variables et aux conditions réelles plutôt que d’introduire un comportement hypothétique. L’intégration publiée exige un environnement d’exécution compatible avec Qwen3; la fiche avertit que les versions de Transformers antérieures à 4.51.0 ne reconnaissent pas l’architecture requise.
La réflexion est activée par défaut dans le gabarit fourni. Un commutateur strict sélectionne la sortie sans réflexion, sans section de raisonnement. Lorsque la réflexion reste activée, /think et /no_think servent de consignes pour chaque tour, la plus récente déterminant le choix; elles ne peuvent pas outrepasser un mode désactivé par le commutateur strict. Utilisez le réglage direct pour une courte reformulation et un réglage de raisonnement lorsqu’une réponse doit concilier plusieurs conditions. Gardez le raisonnement intermédiaire séparé de la réponse finale et conservez cette dernière dans l’historique des échanges suivants. Lorsque la réflexion est activée, même une demande souple sans réflexion conserve un bloc de raisonnement; son contenu peut être vide. La désactivation stricte supprime ce bloc.
L’utilisation comme agent fait partie des capacités publiées. Le fabricant recommande Qwen-Agent pour la mise en forme et l’analyse des outils, tandis que l’application fournit et exécute les outils. Un assistant ciblé pourrait demander une recherche dans un dictionnaire pour un terme de produit, recevoir la définition confirmée, puis reformuler la phrase de l’utilisateur. Définissez l’argument permis et les champs retournés; vérifiez les deux avant d’utiliser le résultat. Le texte final doit distinguer les faits fournis, l’information retournée et les questions toujours sans réponse. Le guide Qwen3 décrit aussi les appels d’outils parallèles et en plusieurs étapes, avec des arguments représentés comme objets et des résultats réintroduits dans la conversation.
Le budget de sortie doit convenir à l’ensemble de la tâche. La fiche du modèle fournit des exemples de génération et des recommandations de longueur de sortie; ils diffèrent d’un maximum prouvé du côté du service. Les sorties courtes demandées sont faciles à vérifier : précisez les champs, l’ordre et la langue, et gardez le message original pour comparaison. Évaluez le résultat sur la catégorie réelle d’entrées avant de vous fier à la génération longue. La documentation Qwen3 aborde des longueurs de messages d’assistant de 38,912 tokens en mode réflexion et de 16,384 sans réflexion dans son explication des longueurs d’entraînement, et recommande d’évaluer la qualité des générations plus longues. Ces chiffres diffèrent de la fenêtre de contexte globale et ne constituent pas un plafond strict propre à un point de terminaison.
Cette taille comporte une note particulière sur la répétition persistante : la fiche suggère les réglages d’échantillonnage recommandés et presence_penalty 1.5 lorsqu’une répétition importante survient. Des pénalités plus élevées peuvent parfois mélanger les langues ou réduire la performance. Pour la réflexion, la température suggérée est de 0.6 avec top-p 0.95, top-k 20 et min-p 0; sans réflexion, elle est de 0.7 avec top-p 0.8, top-k 20 et min-p 0. Évitez le décodage glouton en mode raisonnement. Vérifiez les noms, les dates, les étiquettes et les propositions répétées, et validez toute sortie structurée avant de la transmettre à une autre partie d’une application.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen3-1.7b | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
Chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.0001 / 1K jetons Sortie · Jetons en sortie $0.001 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen3-1.7b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3-1.7b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3-1.7b', '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 qwen3-1.7b
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Convert a short note into actions\n\nTurn this note into an action list: 'Mina will order six folders by Thursday. Leo will check the cupboard today. Someone must print the welcome sheets before Friday, but we have not assigned that task.' Return one row per action with owner, task and deadline; use 'unassigned' where needed.Three action rows retaining names, deadlines and the unassigned printing owner.Do not assign the printing task to Mina or Leo without evidence in the note.