Points forts : la mise à jour fixe Instruct-2507
Qwen3-30B-A3B-Instruct-2507 est l’édition actualisée non-Thinking de Qwen3-30B-A3B. Le fabricant souligne des améliorations du suivi d’instructions, du raisonnement logique, de la compréhension textuelle, des mathématiques, des sciences, du code et de l’utilisation d’outils, avec des connaissances plus étendues sur des sujets peu fréquents dans plusieurs langues et une meilleure adaptation aux tâches ouvertes. Il accepte du texte et en produit : réponse, explication, proposition de code ou livrable écrit demandé.
Distinguez l’identité fixe 2507 du Qwen3-30B-A3B hybride original, de sa version FP8 et de l’édition Thinking-2507. La description des connaissances multilingues ne donne pas de garantie distincte de nombre de langues pour cet instantané. Indiquez la langue cible, le public et les termes à conserver lorsque la tâche implique une traduction ou une réécriture.
Vue d’ensemble du modèle
Le modèle à mélange d’experts compte 30,5 milliards de paramètres au total et en active 3,3 milliards. Il possède 48 couches, 128 experts et huit experts sélectionnés par token. Son contexte natif est de 262 144 tokens. Les paramètres actifs ne représentent pas la taille du checkpoint complet, et l’architecture seule n’établit pas un temps de réponse fixe dans une application.
Cette édition prend uniquement en charge le mode non-Thinking et ne génère pas de blocs Thinking explicites. Le réglage enable_thinking=False est inutile dans la procédure du fabricant. Elle peut néanmoins montrer des calculs ou expliquer du code en texte ordinaire ; demander des étapes justificatives ne la transforme pas en checkpoint Thinking distinct.
Préparer une demande textuelle utile
Pour une tâche de code, fournissez la fonction ou le module pertinent, les contraintes d’entrée, le comportement observé et le résultat requis. Demandez un patch proposé ou une fonction complète avec une explication des hypothèses touchées. Pour une question mathématique ou scientifique, donnez l’énoncé complet, les unités et définitions, puis demandez une réponse finale clairement délimitée et étayée par les conditions fournies.
Pour une tâche de rédaction ouverte, précisez le public, le but, le ton et les informations obligatoires. Une réponse utile peut être un brouillon éditable organisé selon les sections demandées, avec les hypothèses non étayées identifiées séparément. Comparez le brouillon renvoyé, les calculs ou le code proposé aux faits, définitions et exigences fournis.
Usage d’agents
Qwen documente les appels d’outils et recommande Qwen-Agent pour les gabarits et l’analyse, avec des outils configurés ou reliés par MCP. Précisez les actions autorisées et les conditions de fin observables. Les outils connectés exécutent les opérations externes et renvoient des observations ; le modèle peut utiliser ce retour dans une réponse ultérieure. Une commande proposée ou une affirmation de récupération d’une source devrait rester distincte d’un résultat réellement renvoyé par le processus.
Un livrable final clair peut être une proposition de code, un tableau de preuves ou un rapport concis. La prise en charge d’outils ne crée pas d’elle-même un accès à des sources actuelles, fichiers ou environnements d’exécution par toutes les interfaces. Conservez le contrat de réponse non-Thinking du modèle précis plutôt que d’importer les commutateurs de prompt d’un modèle hybride ou les budgets de sortie d’une édition Thinking.
Traitement de textes extrêmement longs
Le fabricant documente une procédure facultative atteignant environ un million de tokens par Dual Chunk Attention et l’attention clairsemée MInference. La première divise une longue séquence en blocs gérables tout en préservant les interactions entre blocs ; la seconde concentre le calcul sur des relations d’attention sélectionnées. C’est une configuration supplémentaire au-delà du contexte natif de 262 144 tokens, utilisant une configuration spéciale de long contexte.
La procédure estime environ 240 GB de mémoire GPU totale pour les poids du modèle, l’état de séquence en cache et les activations maximales. Elle décrit aussi des échecs de capacité distincts dus au cache de séquence, à la mémoire des activations ou à une entrée dépassant la longueur configurée. La procédure à un million de tokens dépend donc de la configuration et des ressources ; le chiffre mis en avant n’est pas un réglage par défaut inconditionnel.
Préparez une longue entrée avec des frontières de documents, noms de sections ou identifiants de code et une question concrète. Réservez de la place pour la réponse et demandez les éléments étayant chaque conclusion.
Recommandations de génération
Best Practices recommande temperature 0,7, top_p 0,8, top_k 20 et min_p 0. Lorsque c’est pris en charge, une pénalité de présence entre zéro et deux peut réduire le texte répété, tandis que des valeurs plus élevées peuvent mélanger les langues ou légèrement diminuer la qualité. Le fabricant recommande un espace de sortie de 16 384 tokens pour la plupart des questions, plutôt que les budgets plus longs documentés pour Thinking-2507. C’est une recommandation, pas un plafond strict de sortie établi indépendamment.
Précisez explicitement le format final, par exemple un délimiteur mathématique ou un champ de réponse. L’entrée documentée est textuelle ; des éléments visuels ou audio nécessitent donc une représentation séparée adaptée avant ce processus. Vérifiez calculs, citations et code généré à partir de la source. Le résultat utile est un livrable textuel complet et vérifiable dont l’identité fixe Instruct-2507, le mode non-Thinking et la procédure conditionnelle de long contexte restent clairs.
", "aboutText": "Points forts : la mise à jour fixe Instruct-2507\n\nQwen3-30B-A3B-Instruct-2507 est l’édition actualisée non-Thinking de Qwen3-30B-A3B. Le fabricant souligne des améliorations du suivi d’instructions, du raisonnement logique, de la compréhension textuelle, des mathématiques, des sciences, du code et de l’utilisation d’outils, avec des connaissances plus étendues sur des sujets peu fréquents dans plusieurs langues et une meilleure adaptation aux tâches ouvertes. Il accepte du texte et en produit : réponse, explication, proposition de code ou livrable écrit demandé.\n\nDistinguez l’identité fixe 2507 du Qwen3-30B-A3B hybride original, de sa version FP8 et de l’édition Thinking-2507. La description des connaissances multilingues ne donne pas de garantie distincte de nombre de langues pour cet instantané. Indiquez la langue cible, le public et les termes à conserver lorsque la tâche implique une traduction ou une réécriture.\n\nVue d’ensemble du modèle\n\nLe modèle à mélange d’experts compte 30,5 milliards de paramètres au total et en active 3,3 milliards. Il possède 48 couches, 128 experts et huit experts sélectionnés par token. Son contexte natif est de 262 144 tokens. Les paramètres actifs ne représentent pas la taille du checkpoint complet, et l’architecture seule n’établit pas un temps de réponse fixe dans une application.\n\nCette édition prend uniquement en charge le mode non-Thinking et ne génère pas de blocs Thinking explicites. Le réglage enable_thinking=False est inutile dans la procédure du fabricant. Elle peut néanmoins montrer des calculs ou expliquer du code en texte ordinaire ; demander des étapes justificatives ne la transforme pas en checkpoint Thinking distinct.\n\nPréparer une demande textuelle utile\n\nPour une tâche de code, fournissez la fonction ou le module pertinent, les contraintes d’entrée, le comportement observé et le résultat requis. Demandez un patch proposé ou une fonction complète avec une explication des hypothèses touchées. Pour une question mathématique ou scientifique, donnez l’énoncé complet, les unités et définitions, puis demandez une réponse finale clairement délimitée et étayée par les conditions fournies.\n\nPour une tâche de rédaction ouverte, précisez le public, le but, le ton et les informations obligatoires. Une réponse utile peut être un brouillon éditable organisé selon les sections demandées, avec les hypothèses non étayées identifiées séparément. Comparez le brouillon renvoyé, les calculs ou le code proposé aux faits, définitions et exigences fournis.\n\nUsage d’agents\n\nQwen documente les appels d’outils et recommande Qwen-Agent pour les gabarits et l’analyse, avec des outils configurés ou reliés par MCP. Précisez les actions autorisées et les conditions de fin observables. Les outils connectés exécutent les opérations externes et renvoient des observations ; le modèle peut utiliser ce retour dans une réponse ultérieure. Une commande proposée ou une affirmation de récupération d’une source devrait rester distincte d’un résultat réellement renvoyé par le processus.\n\nUn livrable final clair peut être une proposition de code, un tableau de preuves ou un rapport concis. La prise en charge d’outils ne crée pas d’elle-même un accès à des sources actuelles, fichiers ou environnements d’exécution par toutes les interfaces. Conservez le contrat de réponse non-Thinking du modèle précis plutôt que d’importer les commutateurs de prompt d’un modèle hybride ou les budgets de sortie d’une édition Thinking.\n\nTraitement de textes extrêmement longs\n\nLe fabricant documente une procédure facultative atteignant environ un million de tokens par Dual Chunk Attention et l’attention clairsemée MInference. La première divise une longue séquence en blocs gérables tout en préservant les interactions entre blocs ; la seconde concentre le calcul sur des relations d’attention sélectionnées. C’est une configuration supplémentaire au-delà du contexte natif de 262 144 tokens, utilisant une configuration spéciale de long contexte.\n\nLa procédure estime environ 240 GB de mémoire GPU totale pour les poids du modèle, l’état de séquence en cache et les activations maximales. Elle décrit aussi des échecs de capacité distincts dus au cache de séquence, à la mémoire des activations ou à une entrée dépassant la longueur configurée. La procédure à un million de tokens dépend donc de la configuration et des ressources ; le chiffre mis en avant n’est pas un réglage par défaut inconditionnel.\n\nPréparez une longue entrée avec des frontières de documents, noms de sections ou identifiants de code et une question concrète. Réservez de la place pour la réponse et demandez les éléments étayant chaque conclusion.\n\nRecommandations de génération\n\nBest Practices recommande temperature 0,7, top_p 0,8, top_k 20 et min_p 0. Lorsque c’est pris en charge, une pénalité de présence entre zéro et deux peut réduire le texte répété, tandis que des valeurs plus élevées peuvent mélanger les langues ou légèrement diminuer la qualité. Le fabricant recommande un espace de sortie de 16 384 tokens pour la plupart des questions, plutôt que les budgets plus longs documentés pour Thinking-2507. C’est une recommandation, pas un plafond strict de sortie établi indépendamment.\n\nPrécisez explicitement le format final, par exemple un délimiteur mathématique ou un champ de réponse. L’entrée documentée est textuelle ; des éléments visuels ou audio nécessitent donc une représentation séparée adaptée avant ce processus. Vérifiez calculs, citations et code généré à partir de la source. Le résultat utile est un livrable textuel complet et vérifiable dont l’identité fixe Instruct-2507, le mode non-Thinking et la procédure conditionnelle de long contexte restent clairs.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Draft a bounded project brief\n\nWrite a one-page-style brief in at most 170 words for a library's room-booking page. Facts: two rooms, maximum two-hour bookings, no recurring reservations, and a staff review for groups larger than eight. Use sections Goal, User steps, Rules and Open question. Include no payment features or assumed room capacities beyond the stated review threshold.An editable four-section project brief preserving the booking rules and one genuinely unanswered design question.The group-size threshold triggers staff review rather than being invented as an absolute room-capacity limit.qwen/qwen3-30b-a3b-instruct-2507Qwen3-30B-A3B-Instruct-2507 est l’édition textuelle fixe non-Thinking de Qwen pour juillet, identifiée par 2507, avec 30,5 milliards de paramètres au total et 3,3 milliards activés. Elle améliore le suivi d’instructions, le code, les connaissances multilingues et la rédaction ouverte, avec un contexte natif de 262 144 tokens.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Points forts : la mise à jour fixe Instruct-2507
Qwen3-30B-A3B-Instruct-2507 est l’édition actualisée non-Thinking de Qwen3-30B-A3B. Le fabricant souligne des améliorations du suivi d’instructions, du raisonnement logique, de la compréhension textuelle, des mathématiques, des sciences, du code et de l’utilisation d’outils, avec des connaissances plus étendues sur des sujets peu fréquents dans plusieurs langues et une meilleure adaptation aux tâches ouvertes. Il accepte du texte et en produit : réponse, explication, proposition de code ou livrable écrit demandé.
Distinguez l’identité fixe 2507 du Qwen3-30B-A3B hybride original, de sa version FP8 et de l’édition Thinking-2507. La description des connaissances multilingues ne donne pas de garantie distincte de nombre de langues pour cet instantané. Indiquez la langue cible, le public et les termes à conserver lorsque la tâche implique une traduction ou une réécriture.
Vue d’ensemble du modèle
Le modèle à mélange d’experts compte 30,5 milliards de paramètres au total et en active 3,3 milliards. Il possède 48 couches, 128 experts et huit experts sélectionnés par token. Son contexte natif est de 262 144 tokens. Les paramètres actifs ne représentent pas la taille du checkpoint complet, et l’architecture seule n’établit pas un temps de réponse fixe dans une application.
Cette édition prend uniquement en charge le mode non-Thinking et ne génère pas de blocs Thinking explicites. Le réglage enable_thinking=False est inutile dans la procédure du fabricant. Elle peut néanmoins montrer des calculs ou expliquer du code en texte ordinaire ; demander des étapes justificatives ne la transforme pas en checkpoint Thinking distinct.
Préparer une demande textuelle utile
Pour une tâche de code, fournissez la fonction ou le module pertinent, les contraintes d’entrée, le comportement observé et le résultat requis. Demandez un patch proposé ou une fonction complète avec une explication des hypothèses touchées. Pour une question mathématique ou scientifique, donnez l’énoncé complet, les unités et définitions, puis demandez une réponse finale clairement délimitée et étayée par les conditions fournies.
Pour une tâche de rédaction ouverte, précisez le public, le but, le ton et les informations obligatoires. Une réponse utile peut être un brouillon éditable organisé selon les sections demandées, avec les hypothèses non étayées identifiées séparément. Comparez le brouillon renvoyé, les calculs ou le code proposé aux faits, définitions et exigences fournis.
Usage d’agents
Qwen documente les appels d’outils et recommande Qwen-Agent pour les gabarits et l’analyse, avec des outils configurés ou reliés par MCP. Précisez les actions autorisées et les conditions de fin observables. Les outils connectés exécutent les opérations externes et renvoient des observations ; le modèle peut utiliser ce retour dans une réponse ultérieure. Une commande proposée ou une affirmation de récupération d’une source devrait rester distincte d’un résultat réellement renvoyé par le processus.
Un livrable final clair peut être une proposition de code, un tableau de preuves ou un rapport concis. La prise en charge d’outils ne crée pas d’elle-même un accès à des sources actuelles, fichiers ou environnements d’exécution par toutes les interfaces. Conservez le contrat de réponse non-Thinking du modèle précis plutôt que d’importer les commutateurs de prompt d’un modèle hybride ou les budgets de sortie d’une édition Thinking.
Traitement de textes extrêmement longs
Le fabricant documente une procédure facultative atteignant environ un million de tokens par Dual Chunk Attention et l’attention clairsemée MInference. La première divise une longue séquence en blocs gérables tout en préservant les interactions entre blocs ; la seconde concentre le calcul sur des relations d’attention sélectionnées. C’est une configuration supplémentaire au-delà du contexte natif de 262 144 tokens, utilisant une configuration spéciale de long contexte.
La procédure estime environ 240 GB de mémoire GPU totale pour les poids du modèle, l’état de séquence en cache et les activations maximales. Elle décrit aussi des échecs de capacité distincts dus au cache de séquence, à la mémoire des activations ou à une entrée dépassant la longueur configurée. La procédure à un million de tokens dépend donc de la configuration et des ressources ; le chiffre mis en avant n’est pas un réglage par défaut inconditionnel.
Préparez une longue entrée avec des frontières de documents, noms de sections ou identifiants de code et une question concrète. Réservez de la place pour la réponse et demandez les éléments étayant chaque conclusion.
Recommandations de génération
Best Practices recommande temperature 0,7, top_p 0,8, top_k 20 et min_p 0. Lorsque c’est pris en charge, une pénalité de présence entre zéro et deux peut réduire le texte répété, tandis que des valeurs plus élevées peuvent mélanger les langues ou légèrement diminuer la qualité. Le fabricant recommande un espace de sortie de 16 384 tokens pour la plupart des questions, plutôt que les budgets plus longs documentés pour Thinking-2507. C’est une recommandation, pas un plafond strict de sortie établi indépendamment.
Précisez explicitement le format final, par exemple un délimiteur mathématique ou un champ de réponse. L’entrée documentée est textuelle ; des éléments visuels ou audio nécessitent donc une représentation séparée adaptée avant ce processus. Vérifiez calculs, citations et code généré à partir de la source. Le résultat utile est un livrable textuel complet et vérifiable dont l’identité fixe Instruct-2507, le mode non-Thinking et la procédure conditionnelle de long contexte restent clairs.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3-30b-a3b-instruct-2507 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0008 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0008 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-30b-a3b-instruct-2507", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3-30b-a3b-instruct-2507',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3-30b-a3b-instruct-2507',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra qwen/qwen3-30b-a3b-instruct-2507
Utilisez les chemins de méthode indiqués ci-dessus.
qwen/qwen3-30b-a3b-instruct-2507Qwen3-30B-A3B-Instruct-2507 est l’édition textuelle fixe non-Thinking de Qwen pour juillet, identifiée par 2507, avec 30,5 milliards de paramètres au total et 3,3 milliards activés. Elle améliore le suivi d’instructions, le code, les connaissances multilingues et la rédaction ouverte, avec un contexte natif de 262 144 tokens.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Points forts : la mise à jour fixe Instruct-2507
Qwen3-30B-A3B-Instruct-2507 est l’édition actualisée non-Thinking de Qwen3-30B-A3B. Le fabricant souligne des améliorations du suivi d’instructions, du raisonnement logique, de la compréhension textuelle, des mathématiques, des sciences, du code et de l’utilisation d’outils, avec des connaissances plus étendues sur des sujets peu fréquents dans plusieurs langues et une meilleure adaptation aux tâches ouvertes. Il accepte du texte et en produit : réponse, explication, proposition de code ou livrable écrit demandé.
Distinguez l’identité fixe 2507 du Qwen3-30B-A3B hybride original, de sa version FP8 et de l’édition Thinking-2507. La description des connaissances multilingues ne donne pas de garantie distincte de nombre de langues pour cet instantané. Indiquez la langue cible, le public et les termes à conserver lorsque la tâche implique une traduction ou une réécriture.
Vue d’ensemble du modèle
Le modèle à mélange d’experts compte 30,5 milliards de paramètres au total et en active 3,3 milliards. Il possède 48 couches, 128 experts et huit experts sélectionnés par token. Son contexte natif est de 262 144 tokens. Les paramètres actifs ne représentent pas la taille du checkpoint complet, et l’architecture seule n’établit pas un temps de réponse fixe dans une application.
Cette édition prend uniquement en charge le mode non-Thinking et ne génère pas de blocs Thinking explicites. Le réglage enable_thinking=False est inutile dans la procédure du fabricant. Elle peut néanmoins montrer des calculs ou expliquer du code en texte ordinaire ; demander des étapes justificatives ne la transforme pas en checkpoint Thinking distinct.
Préparer une demande textuelle utile
Pour une tâche de code, fournissez la fonction ou le module pertinent, les contraintes d’entrée, le comportement observé et le résultat requis. Demandez un patch proposé ou une fonction complète avec une explication des hypothèses touchées. Pour une question mathématique ou scientifique, donnez l’énoncé complet, les unités et définitions, puis demandez une réponse finale clairement délimitée et étayée par les conditions fournies.
Pour une tâche de rédaction ouverte, précisez le public, le but, le ton et les informations obligatoires. Une réponse utile peut être un brouillon éditable organisé selon les sections demandées, avec les hypothèses non étayées identifiées séparément. Comparez le brouillon renvoyé, les calculs ou le code proposé aux faits, définitions et exigences fournis.
Usage d’agents
Qwen documente les appels d’outils et recommande Qwen-Agent pour les gabarits et l’analyse, avec des outils configurés ou reliés par MCP. Précisez les actions autorisées et les conditions de fin observables. Les outils connectés exécutent les opérations externes et renvoient des observations ; le modèle peut utiliser ce retour dans une réponse ultérieure. Une commande proposée ou une affirmation de récupération d’une source devrait rester distincte d’un résultat réellement renvoyé par le processus.
Un livrable final clair peut être une proposition de code, un tableau de preuves ou un rapport concis. La prise en charge d’outils ne crée pas d’elle-même un accès à des sources actuelles, fichiers ou environnements d’exécution par toutes les interfaces. Conservez le contrat de réponse non-Thinking du modèle précis plutôt que d’importer les commutateurs de prompt d’un modèle hybride ou les budgets de sortie d’une édition Thinking.
Traitement de textes extrêmement longs
Le fabricant documente une procédure facultative atteignant environ un million de tokens par Dual Chunk Attention et l’attention clairsemée MInference. La première divise une longue séquence en blocs gérables tout en préservant les interactions entre blocs ; la seconde concentre le calcul sur des relations d’attention sélectionnées. C’est une configuration supplémentaire au-delà du contexte natif de 262 144 tokens, utilisant une configuration spéciale de long contexte.
La procédure estime environ 240 GB de mémoire GPU totale pour les poids du modèle, l’état de séquence en cache et les activations maximales. Elle décrit aussi des échecs de capacité distincts dus au cache de séquence, à la mémoire des activations ou à une entrée dépassant la longueur configurée. La procédure à un million de tokens dépend donc de la configuration et des ressources ; le chiffre mis en avant n’est pas un réglage par défaut inconditionnel.
Préparez une longue entrée avec des frontières de documents, noms de sections ou identifiants de code et une question concrète. Réservez de la place pour la réponse et demandez les éléments étayant chaque conclusion.
Recommandations de génération
Best Practices recommande temperature 0,7, top_p 0,8, top_k 20 et min_p 0. Lorsque c’est pris en charge, une pénalité de présence entre zéro et deux peut réduire le texte répété, tandis que des valeurs plus élevées peuvent mélanger les langues ou légèrement diminuer la qualité. Le fabricant recommande un espace de sortie de 16 384 tokens pour la plupart des questions, plutôt que les budgets plus longs documentés pour Thinking-2507. C’est une recommandation, pas un plafond strict de sortie établi indépendamment.
Précisez explicitement le format final, par exemple un délimiteur mathématique ou un champ de réponse. L’entrée documentée est textuelle ; des éléments visuels ou audio nécessitent donc une représentation séparée adaptée avant ce processus. Vérifiez calculs, citations et code généré à partir de la source. Le résultat utile est un livrable textuel complet et vérifiable dont l’identité fixe Instruct-2507, le mode non-Thinking et la procédure conditionnelle de long contexte restent clairs.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3-30b-a3b-instruct-2507 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0008 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0008 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen3-30b-a3b-instruct-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-30b-a3b-instruct-2507', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-30b-a3b-instruct-2507', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra qwen/qwen3-30b-a3b-instruct-2507
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Draft a bounded project brief\n\nWrite a one-page-style brief in at most 170 words for a library's room-booking page. Facts: two rooms, maximum two-hour bookings, no recurring reservations, and a staff review for groups larger than eight. Use sections Goal, User steps, Rules and Open question. Include no payment features or assumed room capacities beyond the stated review threshold.An editable four-section project brief preserving the booking rules and one genuinely unanswered design question.The group-size threshold triggers staff review rather than being invented as an absolute room-capacity limit.