Les avancées de Qwen3.8 dans un modèle vision-langage dense
Qwen3.8-27B transpose les améliorations de Qwen3.8 en programmation, travail professionnel, recherche et tâches d’agent dans un modèle dense de 27 milliards de paramètres. Il accepte du texte, des images et de la vidéo, et renvoie du texte. Son périmètre visuel documenté inclut les schémas scientifiques et techniques, les pages documentaires et les vidéos de l’ordre d’une heure. Ce checkpoint est distinct du modèle beaucoup plus grand et uniquement textuel Qwen3.8-2.4T-A95B ; leurs capacités d’entrée et leurs contrats de réflexion doivent donc rester séparés.
Qwen met l’accent sur la planification autonome, l’utilisation des retours de l’environnement et l’intégration à des environnements de développement. Pour une tâche d’agent, fournissez l’objectif, les documents pertinents, les outils autorisés et les éléments qui prouveraient son achèvement. Un modèle peut proposer et réviser des actions à partir des résultats reçus ; le logiciel connecté réalise ces actions. Demandez le livrable final et les conditions non résolues, sans assimiler un plan à un résultat exécuté.
Présentation du modèle
Le modèle 27B possède 64 couches de modèle de langage. Son architecture hybride regroupe trois couches Gated DeltaNet suivies d’une couche d’attention à portes, avec des réseaux denses à propagation avant. Il est entraîné avec la prédiction de plusieurs tokens et comprend un encodeur visuel. Ces choix architecturaux décrivent le modèle publié ; ils n’impliquent pas une consommation mémoire ou une latence identiques pour tous les déploiements.
Le contexte natif est de 262,144 tokens, avec une extension documentée à 1,000,000. Texte, représentation visuelle, historique de conversation, réflexion et sortie finale partagent le budget de séquence configuré. Le concepteur traite séparément une édition gérée dotée de fonctionnalités supplémentaires ; celles-ci ne doivent pas être attribuées automatiquement au checkpoint ouvert.
Utilisation du texte, des images et de la vidéo
Pour du code, fournissez la fonction ou le module pertinent, une entrée en échec et le comportement attendu, puis demandez un correctif avec les hypothèses concernées et les vérifications. Pour un schéma, conservez les libellés et donnez la question complète. Pour un document, demandez des champs nommés ou des conclusions avec références de pages. Pour une vidéo, indiquez l’événement recherché et préservez sa temporalité.
L’exemple vidéo du concepteur utilise par défaut deux images par seconde dans le processus de service pris en charge, avec des commandes facultatives d’échantillonnage. Une synthèse générale de scène et un événement bref peuvent nécessiter des échantillonnages différents. Les recommandations pour les longues vidéos préconisent d’augmenter le budget du processeur vidéo pour un échantillonnage plus fréquent sur des contenus d’environ une heure, avec un exemple correspondant à approximativement 224K tokens vidéo. Cela exige une configuration et partage le contexte avec les autres contenus ; ce n’est pas une garantie universelle de durée de vidéo.
Réflexion et raisonnement historique
La réflexion est activée par défaut et peut être désactivée par requête avec la commande enable_thinking du concepteur. reasoning_effort accepte xhigh, medium et low, avec xhigh par défaut. Un effort plus faible peut raccourcir un échange individuel, mais Qwen avertit qu’une analyse insuffisante dans les tâches d’agent peut provoquer des échecs et du travail répété, augmentant le temps total d’achèvement.
preserve_thinking est activé par défaut et conserve les blocs de raisonnement des messages historiques pour assurer la continuité. Sa désactivation ne conserve que les blocs de réflexion générés pendant le traitement du dernier message utilisateur. Ce comportement diffère des anciennes recommandations Qwen qui supprimaient entièrement le raisonnement historique. Séparez le raisonnement du contenu final dans l’interface et préservez le format de conversation exact attendu par ce checkpoint. Les commandes du concepteur n’établissent pas les paramètres exposés par une autre application.
Recommandations de génération
Pour la réflexion, Qwen recommande une température de 1.0, top_p à 0.95, top_k à 20, min_p à 0, une pénalité de présence de 0 et une pénalité de répétition de 1.0. Pour les réponses directes, il recommande respectivement 0.7, 0.8, 20, 0, 1.5 et 1.0. Une pénalité de présence élevée peut réduire les répétitions, mais aussi mélanger les langues ou diminuer légèrement la qualité.
Dans un processus configuré à un million de tokens prenant en charge des limites séparées, le concepteur recommande des budgets de 262,144 tokens pour le raisonnement et de 131,072 pour la réponse finale. Il s’agit de recommandations conditionnelles, et non de plafonds de sortie stricts indépendants ni de budgets tenant simultanément dans le contexte natif.
Contexte très long et limites
L’extension documentée utilise YaRN avec les réglages positionnels entrelacés propres au modèle. Un facteur de quatre vise le processus à un million de tokens ; pour une charge d’environ 524,288 tokens, le concepteur suggère un facteur de deux. La mise à l’échelle statique peut affecter la qualité des textes courts ; Qwen conseille donc de l’activer lorsque le contexte plus long est nécessaire. Ne recopiez pas le facteur d’extrapolation d’une autre édition Qwen-VL sans sa procédure propre.
Organisez les longues entrées par document, page ou identifiant de code et demandez un résultat vérifiable. Vérifiez les calculs, les petits libellés visuels et les correctifs générés à partir de la source. Contexte long, raisonnement conservé et budgets vidéo accrus permettent de transporter davantage d’éléments dans une tâche ; ils n’établissent à eux seuls ni un rappel complet, ni un raisonnement correct, ni une action externe achevée.
", "aboutText": "Les avancées de Qwen3.8 dans un modèle vision-langage dense\n\nQwen3.8-27B transpose les améliorations de Qwen3.8 en programmation, travail professionnel, recherche et tâches d’agent dans un modèle dense de 27 milliards de paramètres. Il accepte du texte, des images et de la vidéo, et renvoie du texte. Son périmètre visuel documenté inclut les schémas scientifiques et techniques, les pages documentaires et les vidéos de l’ordre d’une heure. Ce checkpoint est distinct du modèle beaucoup plus grand et uniquement textuel Qwen3.8-2.4T-A95B ; leurs capacités d’entrée et leurs contrats de réflexion doivent donc rester séparés.\n\nQwen met l’accent sur la planification autonome, l’utilisation des retours de l’environnement et l’intégration à des environnements de développement. Pour une tâche d’agent, fournissez l’objectif, les documents pertinents, les outils autorisés et les éléments qui prouveraient son achèvement. Un modèle peut proposer et réviser des actions à partir des résultats reçus ; le logiciel connecté réalise ces actions. Demandez le livrable final et les conditions non résolues, sans assimiler un plan à un résultat exécuté.\n\nPrésentation du modèle\n\nLe modèle 27B possède 64 couches de modèle de langage. Son architecture hybride regroupe trois couches Gated DeltaNet suivies d’une couche d’attention à portes, avec des réseaux denses à propagation avant. Il est entraîné avec la prédiction de plusieurs tokens et comprend un encodeur visuel. Ces choix architecturaux décrivent le modèle publié ; ils n’impliquent pas une consommation mémoire ou une latence identiques pour tous les déploiements.\n\nLe contexte natif est de 262,144 tokens, avec une extension documentée à 1,000,000. Texte, représentation visuelle, historique de conversation, réflexion et sortie finale partagent le budget de séquence configuré. Le concepteur traite séparément une édition gérée dotée de fonctionnalités supplémentaires ; celles-ci ne doivent pas être attribuées automatiquement au checkpoint ouvert.\n\nUtilisation du texte, des images et de la vidéo\n\nPour du code, fournissez la fonction ou le module pertinent, une entrée en échec et le comportement attendu, puis demandez un correctif avec les hypothèses concernées et les vérifications. Pour un schéma, conservez les libellés et donnez la question complète. Pour un document, demandez des champs nommés ou des conclusions avec références de pages. Pour une vidéo, indiquez l’événement recherché et préservez sa temporalité.\n\nL’exemple vidéo du concepteur utilise par défaut deux images par seconde dans le processus de service pris en charge, avec des commandes facultatives d’échantillonnage. Une synthèse générale de scène et un événement bref peuvent nécessiter des échantillonnages différents. Les recommandations pour les longues vidéos préconisent d’augmenter le budget du processeur vidéo pour un échantillonnage plus fréquent sur des contenus d’environ une heure, avec un exemple correspondant à approximativement 224K tokens vidéo. Cela exige une configuration et partage le contexte avec les autres contenus ; ce n’est pas une garantie universelle de durée de vidéo.\n\nRéflexion et raisonnement historique\n\nLa réflexion est activée par défaut et peut être désactivée par requête avec la commande enable_thinking du concepteur. reasoning_effort accepte xhigh, medium et low, avec xhigh par défaut. Un effort plus faible peut raccourcir un échange individuel, mais Qwen avertit qu’une analyse insuffisante dans les tâches d’agent peut provoquer des échecs et du travail répété, augmentant le temps total d’achèvement.\n\npreserve_thinking est activé par défaut et conserve les blocs de raisonnement des messages historiques pour assurer la continuité. Sa désactivation ne conserve que les blocs de réflexion générés pendant le traitement du dernier message utilisateur. Ce comportement diffère des anciennes recommandations Qwen qui supprimaient entièrement le raisonnement historique. Séparez le raisonnement du contenu final dans l’interface et préservez le format de conversation exact attendu par ce checkpoint. Les commandes du concepteur n’établissent pas les paramètres exposés par une autre application.\n\nRecommandations de génération\n\nPour la réflexion, Qwen recommande une température de 1.0, top_p à 0.95, top_k à 20, min_p à 0, une pénalité de présence de 0 et une pénalité de répétition de 1.0. Pour les réponses directes, il recommande respectivement 0.7, 0.8, 20, 0, 1.5 et 1.0. Une pénalité de présence élevée peut réduire les répétitions, mais aussi mélanger les langues ou diminuer légèrement la qualité.\n\nDans un processus configuré à un million de tokens prenant en charge des limites séparées, le concepteur recommande des budgets de 262,144 tokens pour le raisonnement et de 131,072 pour la réponse finale. Il s’agit de recommandations conditionnelles, et non de plafonds de sortie stricts indépendants ni de budgets tenant simultanément dans le contexte natif.\n\nContexte très long et limites\n\nL’extension documentée utilise YaRN avec les réglages positionnels entrelacés propres au modèle. Un facteur de quatre vise le processus à un million de tokens ; pour une charge d’environ 524,288 tokens, le concepteur suggère un facteur de deux. La mise à l’échelle statique peut affecter la qualité des textes courts ; Qwen conseille donc de l’activer lorsque le contexte plus long est nécessaire. Ne recopiez pas le facteur d’extrapolation d’une autre édition Qwen-VL sans sa procédure propre.\n\nOrganisez les longues entrées par document, page ou identifiant de code et demandez un résultat vérifiable. Vérifiez les calculs, les petits libellés visuels et les correctifs générés à partir de la source. Contexte long, raisonnement conservé et budgets vidéo accrus permettent de transporter davantage d’éléments dans une tâche ; ils n’établissent à eux seuls ni un rappel complet, ni un raisonnement correct, ni une action externe achevée.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Analyze a circuit described in text\n\nA written circuit description gives two 6-ohm resistors connected in parallel across an ideal 12-volt source. Assume ideal wires and constant resistance. Derive the equivalent resistance, total current and current through each branch. Show the formulas and verify that branch currents add to the total. No circuit image or execution tool is provided.A short derivation with units, three requested quantities and a current-sum check.Equivalent resistance is 3 ohms and the two equal branch currents sum to the derived total current.qwen/qwen3.8-27bQwen3.8-27B est le modèle vision-langage dense de Qwen pour le texte, les images et la vidéo, avec sortie textuelle. Il associe programmation et tâches d’agent prolongées à une réflexion réglable, à la conservation du raisonnement et à un contexte natif de 262,144 tokens, extensible à un million par configuration.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Les avancées de Qwen3.8 dans un modèle vision-langage dense
Qwen3.8-27B transpose les améliorations de Qwen3.8 en programmation, travail professionnel, recherche et tâches d’agent dans un modèle dense de 27 milliards de paramètres. Il accepte du texte, des images et de la vidéo, et renvoie du texte. Son périmètre visuel documenté inclut les schémas scientifiques et techniques, les pages documentaires et les vidéos de l’ordre d’une heure. Ce checkpoint est distinct du modèle beaucoup plus grand et uniquement textuel Qwen3.8-2.4T-A95B ; leurs capacités d’entrée et leurs contrats de réflexion doivent donc rester séparés.
Qwen met l’accent sur la planification autonome, l’utilisation des retours de l’environnement et l’intégration à des environnements de développement. Pour une tâche d’agent, fournissez l’objectif, les documents pertinents, les outils autorisés et les éléments qui prouveraient son achèvement. Un modèle peut proposer et réviser des actions à partir des résultats reçus ; le logiciel connecté réalise ces actions. Demandez le livrable final et les conditions non résolues, sans assimiler un plan à un résultat exécuté.
Présentation du modèle
Le modèle 27B possède 64 couches de modèle de langage. Son architecture hybride regroupe trois couches Gated DeltaNet suivies d’une couche d’attention à portes, avec des réseaux denses à propagation avant. Il est entraîné avec la prédiction de plusieurs tokens et comprend un encodeur visuel. Ces choix architecturaux décrivent le modèle publié ; ils n’impliquent pas une consommation mémoire ou une latence identiques pour tous les déploiements.
Le contexte natif est de 262,144 tokens, avec une extension documentée à 1,000,000. Texte, représentation visuelle, historique de conversation, réflexion et sortie finale partagent le budget de séquence configuré. Le concepteur traite séparément une édition gérée dotée de fonctionnalités supplémentaires ; celles-ci ne doivent pas être attribuées automatiquement au checkpoint ouvert.
Utilisation du texte, des images et de la vidéo
Pour du code, fournissez la fonction ou le module pertinent, une entrée en échec et le comportement attendu, puis demandez un correctif avec les hypothèses concernées et les vérifications. Pour un schéma, conservez les libellés et donnez la question complète. Pour un document, demandez des champs nommés ou des conclusions avec références de pages. Pour une vidéo, indiquez l’événement recherché et préservez sa temporalité.
L’exemple vidéo du concepteur utilise par défaut deux images par seconde dans le processus de service pris en charge, avec des commandes facultatives d’échantillonnage. Une synthèse générale de scène et un événement bref peuvent nécessiter des échantillonnages différents. Les recommandations pour les longues vidéos préconisent d’augmenter le budget du processeur vidéo pour un échantillonnage plus fréquent sur des contenus d’environ une heure, avec un exemple correspondant à approximativement 224K tokens vidéo. Cela exige une configuration et partage le contexte avec les autres contenus ; ce n’est pas une garantie universelle de durée de vidéo.
Réflexion et raisonnement historique
La réflexion est activée par défaut et peut être désactivée par requête avec la commande enable_thinking du concepteur. reasoning_effort accepte xhigh, medium et low, avec xhigh par défaut. Un effort plus faible peut raccourcir un échange individuel, mais Qwen avertit qu’une analyse insuffisante dans les tâches d’agent peut provoquer des échecs et du travail répété, augmentant le temps total d’achèvement.
preserve_thinking est activé par défaut et conserve les blocs de raisonnement des messages historiques pour assurer la continuité. Sa désactivation ne conserve que les blocs de réflexion générés pendant le traitement du dernier message utilisateur. Ce comportement diffère des anciennes recommandations Qwen qui supprimaient entièrement le raisonnement historique. Séparez le raisonnement du contenu final dans l’interface et préservez le format de conversation exact attendu par ce checkpoint. Les commandes du concepteur n’établissent pas les paramètres exposés par une autre application.
Recommandations de génération
Pour la réflexion, Qwen recommande une température de 1.0, top_p à 0.95, top_k à 20, min_p à 0, une pénalité de présence de 0 et une pénalité de répétition de 1.0. Pour les réponses directes, il recommande respectivement 0.7, 0.8, 20, 0, 1.5 et 1.0. Une pénalité de présence élevée peut réduire les répétitions, mais aussi mélanger les langues ou diminuer légèrement la qualité.
Dans un processus configuré à un million de tokens prenant en charge des limites séparées, le concepteur recommande des budgets de 262,144 tokens pour le raisonnement et de 131,072 pour la réponse finale. Il s’agit de recommandations conditionnelles, et non de plafonds de sortie stricts indépendants ni de budgets tenant simultanément dans le contexte natif.
Contexte très long et limites
L’extension documentée utilise YaRN avec les réglages positionnels entrelacés propres au modèle. Un facteur de quatre vise le processus à un million de tokens ; pour une charge d’environ 524,288 tokens, le concepteur suggère un facteur de deux. La mise à l’échelle statique peut affecter la qualité des textes courts ; Qwen conseille donc de l’activer lorsque le contexte plus long est nécessaire. Ne recopiez pas le facteur d’extrapolation d’une autre édition Qwen-VL sans sa procédure propre.
Organisez les longues entrées par document, page ou identifiant de code et demandez un résultat vérifiable. Vérifiez les calculs, les petits libellés visuels et les correctifs générés à partir de la source. Contexte long, raisonnement conservé et budgets vidéo accrus permettent de transporter davantage d’éléments dans une tâche ; ils n’établissent à eux seuls ni un rappel complet, ni un raisonnement correct, ni une action externe achevée.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.8-27b | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’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 $0.00085 / 1K tokens Sortie · Tokens en sortie $0.0051 / 1K tokens Entrée · Lecture du cache $0.00017 / 1K tokens Entrée · Écriture dans le cache $0.0010625 / 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 $0.00085 / 1K tokens Sortie · Tokens en sortie $0.0051 / 1K tokens Entrée · Lecture du cache $0.00017 / 1K tokens Entrée · Écriture dans le cache $0.0010625 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.8-27b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3.8-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3.8-27b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, 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/qwen3.8-27b
Utilisez les chemins de méthode indiqués ci-dessus.
qwen/qwen3.8-27bQwen3.8-27B est le modèle vision-langage dense de Qwen pour le texte, les images et la vidéo, avec sortie textuelle. Il associe programmation et tâches d’agent prolongées à une réflexion réglable, à la conservation du raisonnement et à un contexte natif de 262,144 tokens, extensible à un million par configuration.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Les avancées de Qwen3.8 dans un modèle vision-langage dense
Qwen3.8-27B transpose les améliorations de Qwen3.8 en programmation, travail professionnel, recherche et tâches d’agent dans un modèle dense de 27 milliards de paramètres. Il accepte du texte, des images et de la vidéo, et renvoie du texte. Son périmètre visuel documenté inclut les schémas scientifiques et techniques, les pages documentaires et les vidéos de l’ordre d’une heure. Ce checkpoint est distinct du modèle beaucoup plus grand et uniquement textuel Qwen3.8-2.4T-A95B ; leurs capacités d’entrée et leurs contrats de réflexion doivent donc rester séparés.
Qwen met l’accent sur la planification autonome, l’utilisation des retours de l’environnement et l’intégration à des environnements de développement. Pour une tâche d’agent, fournissez l’objectif, les documents pertinents, les outils autorisés et les éléments qui prouveraient son achèvement. Un modèle peut proposer et réviser des actions à partir des résultats reçus ; le logiciel connecté réalise ces actions. Demandez le livrable final et les conditions non résolues, sans assimiler un plan à un résultat exécuté.
Présentation du modèle
Le modèle 27B possède 64 couches de modèle de langage. Son architecture hybride regroupe trois couches Gated DeltaNet suivies d’une couche d’attention à portes, avec des réseaux denses à propagation avant. Il est entraîné avec la prédiction de plusieurs tokens et comprend un encodeur visuel. Ces choix architecturaux décrivent le modèle publié ; ils n’impliquent pas une consommation mémoire ou une latence identiques pour tous les déploiements.
Le contexte natif est de 262,144 tokens, avec une extension documentée à 1,000,000. Texte, représentation visuelle, historique de conversation, réflexion et sortie finale partagent le budget de séquence configuré. Le concepteur traite séparément une édition gérée dotée de fonctionnalités supplémentaires ; celles-ci ne doivent pas être attribuées automatiquement au checkpoint ouvert.
Utilisation du texte, des images et de la vidéo
Pour du code, fournissez la fonction ou le module pertinent, une entrée en échec et le comportement attendu, puis demandez un correctif avec les hypothèses concernées et les vérifications. Pour un schéma, conservez les libellés et donnez la question complète. Pour un document, demandez des champs nommés ou des conclusions avec références de pages. Pour une vidéo, indiquez l’événement recherché et préservez sa temporalité.
L’exemple vidéo du concepteur utilise par défaut deux images par seconde dans le processus de service pris en charge, avec des commandes facultatives d’échantillonnage. Une synthèse générale de scène et un événement bref peuvent nécessiter des échantillonnages différents. Les recommandations pour les longues vidéos préconisent d’augmenter le budget du processeur vidéo pour un échantillonnage plus fréquent sur des contenus d’environ une heure, avec un exemple correspondant à approximativement 224K tokens vidéo. Cela exige une configuration et partage le contexte avec les autres contenus ; ce n’est pas une garantie universelle de durée de vidéo.
Réflexion et raisonnement historique
La réflexion est activée par défaut et peut être désactivée par requête avec la commande enable_thinking du concepteur. reasoning_effort accepte xhigh, medium et low, avec xhigh par défaut. Un effort plus faible peut raccourcir un échange individuel, mais Qwen avertit qu’une analyse insuffisante dans les tâches d’agent peut provoquer des échecs et du travail répété, augmentant le temps total d’achèvement.
preserve_thinking est activé par défaut et conserve les blocs de raisonnement des messages historiques pour assurer la continuité. Sa désactivation ne conserve que les blocs de réflexion générés pendant le traitement du dernier message utilisateur. Ce comportement diffère des anciennes recommandations Qwen qui supprimaient entièrement le raisonnement historique. Séparez le raisonnement du contenu final dans l’interface et préservez le format de conversation exact attendu par ce checkpoint. Les commandes du concepteur n’établissent pas les paramètres exposés par une autre application.
Recommandations de génération
Pour la réflexion, Qwen recommande une température de 1.0, top_p à 0.95, top_k à 20, min_p à 0, une pénalité de présence de 0 et une pénalité de répétition de 1.0. Pour les réponses directes, il recommande respectivement 0.7, 0.8, 20, 0, 1.5 et 1.0. Une pénalité de présence élevée peut réduire les répétitions, mais aussi mélanger les langues ou diminuer légèrement la qualité.
Dans un processus configuré à un million de tokens prenant en charge des limites séparées, le concepteur recommande des budgets de 262,144 tokens pour le raisonnement et de 131,072 pour la réponse finale. Il s’agit de recommandations conditionnelles, et non de plafonds de sortie stricts indépendants ni de budgets tenant simultanément dans le contexte natif.
Contexte très long et limites
L’extension documentée utilise YaRN avec les réglages positionnels entrelacés propres au modèle. Un facteur de quatre vise le processus à un million de tokens ; pour une charge d’environ 524,288 tokens, le concepteur suggère un facteur de deux. La mise à l’échelle statique peut affecter la qualité des textes courts ; Qwen conseille donc de l’activer lorsque le contexte plus long est nécessaire. Ne recopiez pas le facteur d’extrapolation d’une autre édition Qwen-VL sans sa procédure propre.
Organisez les longues entrées par document, page ou identifiant de code et demandez un résultat vérifiable. Vérifiez les calculs, les petits libellés visuels et les correctifs générés à partir de la source. Contexte long, raisonnement conservé et budgets vidéo accrus permettent de transporter davantage d’éléments dans une tâche ; ils n’établissent à eux seuls ni un rappel complet, ni un raisonnement correct, ni une action externe achevée.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3.8-27b | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | 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 $0.00085 / 1K tokens Sortie · Tokens en sortie $0.0051 / 1K tokens Entrée · Lecture du cache $0.00017 / 1K tokens Entrée · Écriture dans le cache $0.0010625 / 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 $0.00085 / 1K tokens Sortie · Tokens en sortie $0.0051 / 1K tokens Entrée · Lecture du cache $0.00017 / 1K tokens Entrée · Écriture dans le cache $0.0010625 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen3.8-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.8-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3.8-27b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les 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/qwen3.8-27b
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Analyze a circuit described in text\n\nA written circuit description gives two 6-ohm resistors connected in parallel across an ideal 12-volt source. Assume ideal wires and constant resistance. Derive the equivalent resistance, total current and current through each branch. Show the formulas and verify that branch currents add to the total. No circuit image or execution tool is provided.A short derivation with units, three requested quantities and a current-sum check.Equivalent resistance is 3 ohms and the two equal branch currents sum to the derived total current.