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