Points forts : un modèle conçu pour les agents de programmation
Qwen3-Coder-Next est un modèle textuel ouvert conçu spécifiquement pour les agents de programmation et les processus de développement. Qwen décrit la résolution de problèmes de longue durée, l’utilisation complexe d’outils et la reprise après des échecs d’exécution, ainsi que l’adaptation à différents environnements d’agent de développement. Il accepte et produit du texte, notamment du code, des explications et des demandes d’outils. Ce checkpoint Coder-Next précis possède son propre contrat sans réflexion ; les éditions Thinking de la famille Next plus large ne doivent pas lui être substituées.
Pour une tâche de développement, fournissez les fichiers ou extraits pertinents, le comportement souhaité et l’entrée démontrant le problème. Demandez un changement modifiable et une explication liée à ces conditions. Pour une tâche à plusieurs étapes, définissez l’objectif, les outils autorisés et les observations qui prouveraient l’achèvement. Examinez le changement de code proposé et son explication selon les fichiers fournis, l’entrée en échec et les critères d’achèvement.
Présentation du modèle
Le modèle possède 80 milliards de paramètres au total et en active trois milliards. Son architecture hybride de 48 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Le concepteur répertorie 512 experts, dix experts activés et un expert partagé. Le petit nombre activé est une caractéristique de calcul du modèle parcimonieux, et non la taille du checkpoint complet.
Le contexte natif est de 262,144 tokens. Les exemples du concepteur autorisent un contexte inférieur, tel que 32,768, lorsque les contraintes mémoire empêchent la configuration supérieure de fonctionner. Code source, historique, observations d’outils et texte généré doivent tenir dans le budget de séquence configuré. La fiche n’établit pas d’extension par défaut à un million de tokens pour ce checkpoint.
Utilisation de l’interface textuelle sans réflexion
Coder-Next ne prend en charge que le mode sans réflexion et ne génère pas de blocs de réflexion explicites. Régler enable_thinking=False est inutile dans l’exemple du concepteur. Il peut néanmoins expliquer un correctif, discuter d’un algorithme ou raisonner en texte ordinaire ; « sans réflexion » décrit son mode de sortie, sans interdire une explication.
Le démarrage rapide demande un algorithme de tri et utilise un budget de génération de 65,536 tokens. Cette valeur est un exemple de budget, et non un plafond de sortie strict publié séparément. Précisez le format et les contraintes du livrable : langage, interfaces pertinentes, comportement requis et présence souhaitée d’un correctif, d’une fonction complète ou d’une explication. Séparez le résultat modifiable des commentaires pour faciliter son examen.
Environnements d’agent de développement et contexte
Le concepteur souligne la compatibilité avec des environnements d’agent de type CLI et IDE, dont Qwen Code. Un tel environnement fournit l’état du projet, les définitions d’outils, les observations et le format de conversation. Préservez ces entrées de façon cohérente pendant une tâche à plusieurs étapes. Lorsqu’un outil signale une vérification en échec, fournissez l’erreur réelle et le code modifié pertinent, au lieu de simplement demander au modèle de réessayer.
Un travail prolongé bénéficie d’un état de tâche visible : observations, changement proposé et condition non résolue. Une observation d’outil diffère d’une affirmation dans du texte généré. La capacité de reprise du modèle après échec ne doit pas être considérée comme une autorisation automatique d’exécuter des commandes ni comme une garantie de réussite de chaque reprise.
Programmation par agent et appels d’outils
Qwen documente des définitions d’outils de type fonction avec noms, descriptions, schémas d’entrée et champs obligatoires. Fournissez une définition précise et le sens attendu de la valeur de retour. L’application exécute l’outil sélectionné et renvoie son résultat ; le modèle l’utilise ensuite à l’étape suivante. L’appel d’outils lui-même n’accorde aucun accès à un système de fichiers, à des sources actuelles ou à un environnement d’exécution.
Pour un agent modifiant un dépôt, limitez les fichiers autorisés et le livrable demandé. Un rapport final utile peut identifier les modules concernés, expliquer le changement et répertorier les résultats réels des vérifications connectées. Distinguez commandes proposées, code généré et opérations achevées. Ce sont des exemples pratiques de processus fondés sur le périmètre documenté de développement et d’outils.
Recommandations de génération
Le concepteur recommande une température de 1.0, top_p à 0.95 et top_k à 40. Ces réglages exacts diffèrent de ceux de plusieurs modèles conversationnels Qwen et doivent rester dans la procédure propre à Coder-Next. La configuration publiée utilise une architecture de modèle de langage causal Qwen3-Next. Utilisez de façon cohérente le nom documenté et le gabarit de dialogue de ce checkpoint pendant le processus de programmation.
Limites de fond
L’entrée documentée est textuelle ; captures d’écran, audio ou vidéo exigent donc une représentation séparée appropriée avant ce processus de programmation. Le contexte natif et les exemples de budgets de génération sont finis ; retirez le code sans rapport et réservez de la place au livrable demandé. Vérifiez syntaxe générée, interfaces, cas limites et changements proposés dans le processus de développement réel. La sortie utile est un livrable de code ou d’explication inspectable, étayé par les éléments réels de la tâche et conservant l’identité uniquement textuelle et sans réflexion de ce checkpoint.
", "aboutText": "Points forts : un modèle conçu pour les agents de programmation\n\nQwen3-Coder-Next est un modèle textuel ouvert conçu spécifiquement pour les agents de programmation et les processus de développement. Qwen décrit la résolution de problèmes de longue durée, l’utilisation complexe d’outils et la reprise après des échecs d’exécution, ainsi que l’adaptation à différents environnements d’agent de développement. Il accepte et produit du texte, notamment du code, des explications et des demandes d’outils. Ce checkpoint Coder-Next précis possède son propre contrat sans réflexion ; les éditions Thinking de la famille Next plus large ne doivent pas lui être substituées.\n\nPour une tâche de développement, fournissez les fichiers ou extraits pertinents, le comportement souhaité et l’entrée démontrant le problème. Demandez un changement modifiable et une explication liée à ces conditions. Pour une tâche à plusieurs étapes, définissez l’objectif, les outils autorisés et les observations qui prouveraient l’achèvement. Examinez le changement de code proposé et son explication selon les fichiers fournis, l’entrée en échec et les critères d’achèvement.\n\nPrésentation du modèle\n\nLe modèle possède 80 milliards de paramètres au total et en active trois milliards. Son architecture hybride de 48 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Le concepteur répertorie 512 experts, dix experts activés et un expert partagé. Le petit nombre activé est une caractéristique de calcul du modèle parcimonieux, et non la taille du checkpoint complet.\n\nLe contexte natif est de 262,144 tokens. Les exemples du concepteur autorisent un contexte inférieur, tel que 32,768, lorsque les contraintes mémoire empêchent la configuration supérieure de fonctionner. Code source, historique, observations d’outils et texte généré doivent tenir dans le budget de séquence configuré. La fiche n’établit pas d’extension par défaut à un million de tokens pour ce checkpoint.\n\nUtilisation de l’interface textuelle sans réflexion\n\nCoder-Next ne prend en charge que le mode sans réflexion et ne génère pas de blocs de réflexion explicites. Régler enable_thinking=False est inutile dans l’exemple du concepteur. Il peut néanmoins expliquer un correctif, discuter d’un algorithme ou raisonner en texte ordinaire ; « sans réflexion » décrit son mode de sortie, sans interdire une explication.\n\nLe démarrage rapide demande un algorithme de tri et utilise un budget de génération de 65,536 tokens. Cette valeur est un exemple de budget, et non un plafond de sortie strict publié séparément. Précisez le format et les contraintes du livrable : langage, interfaces pertinentes, comportement requis et présence souhaitée d’un correctif, d’une fonction complète ou d’une explication. Séparez le résultat modifiable des commentaires pour faciliter son examen.\n\nEnvironnements d’agent de développement et contexte\n\nLe concepteur souligne la compatibilité avec des environnements d’agent de type CLI et IDE, dont Qwen Code. Un tel environnement fournit l’état du projet, les définitions d’outils, les observations et le format de conversation. Préservez ces entrées de façon cohérente pendant une tâche à plusieurs étapes. Lorsqu’un outil signale une vérification en échec, fournissez l’erreur réelle et le code modifié pertinent, au lieu de simplement demander au modèle de réessayer.\n\nUn travail prolongé bénéficie d’un état de tâche visible : observations, changement proposé et condition non résolue. Une observation d’outil diffère d’une affirmation dans du texte généré. La capacité de reprise du modèle après échec ne doit pas être considérée comme une autorisation automatique d’exécuter des commandes ni comme une garantie de réussite de chaque reprise.\n\nProgrammation par agent et appels d’outils\n\nQwen documente des définitions d’outils de type fonction avec noms, descriptions, schémas d’entrée et champs obligatoires. Fournissez une définition précise et le sens attendu de la valeur de retour. L’application exécute l’outil sélectionné et renvoie son résultat ; le modèle l’utilise ensuite à l’étape suivante. L’appel d’outils lui-même n’accorde aucun accès à un système de fichiers, à des sources actuelles ou à un environnement d’exécution.\n\nPour un agent modifiant un dépôt, limitez les fichiers autorisés et le livrable demandé. Un rapport final utile peut identifier les modules concernés, expliquer le changement et répertorier les résultats réels des vérifications connectées. Distinguez commandes proposées, code généré et opérations achevées. Ce sont des exemples pratiques de processus fondés sur le périmètre documenté de développement et d’outils.\n\nRecommandations de génération\n\nLe concepteur recommande une température de 1.0, top_p à 0.95 et top_k à 40. Ces réglages exacts diffèrent de ceux de plusieurs modèles conversationnels Qwen et doivent rester dans la procédure propre à Coder-Next. La configuration publiée utilise une architecture de modèle de langage causal Qwen3-Next. Utilisez de façon cohérente le nom documenté et le gabarit de dialogue de ce checkpoint pendant le processus de programmation.\n\nLimites de fond\n\nL’entrée documentée est textuelle ; captures d’écran, audio ou vidéo exigent donc une représentation séparée appropriée avant ce processus de programmation. Le contexte natif et les exemples de budgets de génération sont finis ; retirez le code sans rapport et réservez de la place au livrable demandé. Vérifiez syntaxe générée, interfaces, cas limites et changements proposés dans le processus de développement réel. La sortie utile est un livrable de code ou d’explication inspectable, étayé par les éléments réels de la tâche et conservant l’identité uniquement textuelle et sans réflexion de ce checkpoint.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Implement a stable partition helper\n\nWrite a Python function partition_even(values) returning two new lists: even integers first and odd integers second. Preserve order within each list and do not mutate values. Provide tests for negative integers, repeated values and empty input. Return the complete function separately from the explanation, with no claim that tests have been executed.A complete function, tests for the named cases and a brief order-preservation explanation.Check that each input occurrence appears exactly once in the appropriate result list and that source order is retained.qwen/qwen3-coder-nextQwen3-Coder-Next est le modèle d’agent de programmation uniquement textuel de Qwen, avec 80 milliards de paramètres au total et 3 milliards activés. Il utilise une sortie sans réflexion, un contexte natif de 262,144 tokens et l’appel d’outils pour le développement, y compris les tâches à plusieurs étapes et la reprise à partir des retours d’exécution.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Points forts : un modèle conçu pour les agents de programmation
Qwen3-Coder-Next est un modèle textuel ouvert conçu spécifiquement pour les agents de programmation et les processus de développement. Qwen décrit la résolution de problèmes de longue durée, l’utilisation complexe d’outils et la reprise après des échecs d’exécution, ainsi que l’adaptation à différents environnements d’agent de développement. Il accepte et produit du texte, notamment du code, des explications et des demandes d’outils. Ce checkpoint Coder-Next précis possède son propre contrat sans réflexion ; les éditions Thinking de la famille Next plus large ne doivent pas lui être substituées.
Pour une tâche de développement, fournissez les fichiers ou extraits pertinents, le comportement souhaité et l’entrée démontrant le problème. Demandez un changement modifiable et une explication liée à ces conditions. Pour une tâche à plusieurs étapes, définissez l’objectif, les outils autorisés et les observations qui prouveraient l’achèvement. Examinez le changement de code proposé et son explication selon les fichiers fournis, l’entrée en échec et les critères d’achèvement.
Présentation du modèle
Le modèle possède 80 milliards de paramètres au total et en active trois milliards. Son architecture hybride de 48 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Le concepteur répertorie 512 experts, dix experts activés et un expert partagé. Le petit nombre activé est une caractéristique de calcul du modèle parcimonieux, et non la taille du checkpoint complet.
Le contexte natif est de 262,144 tokens. Les exemples du concepteur autorisent un contexte inférieur, tel que 32,768, lorsque les contraintes mémoire empêchent la configuration supérieure de fonctionner. Code source, historique, observations d’outils et texte généré doivent tenir dans le budget de séquence configuré. La fiche n’établit pas d’extension par défaut à un million de tokens pour ce checkpoint.
Utilisation de l’interface textuelle sans réflexion
Coder-Next ne prend en charge que le mode sans réflexion et ne génère pas de blocs de réflexion explicites. Régler enable_thinking=False est inutile dans l’exemple du concepteur. Il peut néanmoins expliquer un correctif, discuter d’un algorithme ou raisonner en texte ordinaire ; « sans réflexion » décrit son mode de sortie, sans interdire une explication.
Le démarrage rapide demande un algorithme de tri et utilise un budget de génération de 65,536 tokens. Cette valeur est un exemple de budget, et non un plafond de sortie strict publié séparément. Précisez le format et les contraintes du livrable : langage, interfaces pertinentes, comportement requis et présence souhaitée d’un correctif, d’une fonction complète ou d’une explication. Séparez le résultat modifiable des commentaires pour faciliter son examen.
Environnements d’agent de développement et contexte
Le concepteur souligne la compatibilité avec des environnements d’agent de type CLI et IDE, dont Qwen Code. Un tel environnement fournit l’état du projet, les définitions d’outils, les observations et le format de conversation. Préservez ces entrées de façon cohérente pendant une tâche à plusieurs étapes. Lorsqu’un outil signale une vérification en échec, fournissez l’erreur réelle et le code modifié pertinent, au lieu de simplement demander au modèle de réessayer.
Un travail prolongé bénéficie d’un état de tâche visible : observations, changement proposé et condition non résolue. Une observation d’outil diffère d’une affirmation dans du texte généré. La capacité de reprise du modèle après échec ne doit pas être considérée comme une autorisation automatique d’exécuter des commandes ni comme une garantie de réussite de chaque reprise.
Programmation par agent et appels d’outils
Qwen documente des définitions d’outils de type fonction avec noms, descriptions, schémas d’entrée et champs obligatoires. Fournissez une définition précise et le sens attendu de la valeur de retour. L’application exécute l’outil sélectionné et renvoie son résultat ; le modèle l’utilise ensuite à l’étape suivante. L’appel d’outils lui-même n’accorde aucun accès à un système de fichiers, à des sources actuelles ou à un environnement d’exécution.
Pour un agent modifiant un dépôt, limitez les fichiers autorisés et le livrable demandé. Un rapport final utile peut identifier les modules concernés, expliquer le changement et répertorier les résultats réels des vérifications connectées. Distinguez commandes proposées, code généré et opérations achevées. Ce sont des exemples pratiques de processus fondés sur le périmètre documenté de développement et d’outils.
Recommandations de génération
Le concepteur recommande une température de 1.0, top_p à 0.95 et top_k à 40. Ces réglages exacts diffèrent de ceux de plusieurs modèles conversationnels Qwen et doivent rester dans la procédure propre à Coder-Next. La configuration publiée utilise une architecture de modèle de langage causal Qwen3-Next. Utilisez de façon cohérente le nom documenté et le gabarit de dialogue de ce checkpoint pendant le processus de programmation.
Limites de fond
L’entrée documentée est textuelle ; captures d’écran, audio ou vidéo exigent donc une représentation séparée appropriée avant ce processus de programmation. Le contexte natif et les exemples de budgets de génération sont finis ; retirez le code sans rapport et réservez de la place au livrable demandé. Vérifiez syntaxe générée, interfaces, cas limites et changements proposés dans le processus de développement réel. La sortie utile est un livrable de code ou d’explication inspectable, étayé par les éléments réels de la tâche et conservant l’identité uniquement textuelle et sans réflexion de ce checkpoint.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3-coder-next | 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 $0.00024 / 1K tokens Sortie · Tokens en sortie $0.0016 / 1K tokens Entrée · Lecture du cache $0.00014 / 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 $0.00024 / 1K tokens Sortie · Tokens en sortie $0.0016 / 1K tokens Entrée · Lecture du cache $0.00014 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-coder-next", "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-coder-next',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-coder-next',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-coder-next
Utilisez les chemins de méthode indiqués ci-dessus.
qwen/qwen3-coder-nextQwen3-Coder-Next est le modèle d’agent de programmation uniquement textuel de Qwen, avec 80 milliards de paramètres au total et 3 milliards activés. Il utilise une sortie sans réflexion, un contexte natif de 262,144 tokens et l’appel d’outils pour le développement, y compris les tâches à plusieurs étapes et la reprise à partir des retours d’exécution.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Points forts : un modèle conçu pour les agents de programmation
Qwen3-Coder-Next est un modèle textuel ouvert conçu spécifiquement pour les agents de programmation et les processus de développement. Qwen décrit la résolution de problèmes de longue durée, l’utilisation complexe d’outils et la reprise après des échecs d’exécution, ainsi que l’adaptation à différents environnements d’agent de développement. Il accepte et produit du texte, notamment du code, des explications et des demandes d’outils. Ce checkpoint Coder-Next précis possède son propre contrat sans réflexion ; les éditions Thinking de la famille Next plus large ne doivent pas lui être substituées.
Pour une tâche de développement, fournissez les fichiers ou extraits pertinents, le comportement souhaité et l’entrée démontrant le problème. Demandez un changement modifiable et une explication liée à ces conditions. Pour une tâche à plusieurs étapes, définissez l’objectif, les outils autorisés et les observations qui prouveraient l’achèvement. Examinez le changement de code proposé et son explication selon les fichiers fournis, l’entrée en échec et les critères d’achèvement.
Présentation du modèle
Le modèle possède 80 milliards de paramètres au total et en active trois milliards. Son architecture hybride de 48 couches répète trois couches d’experts Gated DeltaNet suivies d’une couche d’experts à attention à portes. Le concepteur répertorie 512 experts, dix experts activés et un expert partagé. Le petit nombre activé est une caractéristique de calcul du modèle parcimonieux, et non la taille du checkpoint complet.
Le contexte natif est de 262,144 tokens. Les exemples du concepteur autorisent un contexte inférieur, tel que 32,768, lorsque les contraintes mémoire empêchent la configuration supérieure de fonctionner. Code source, historique, observations d’outils et texte généré doivent tenir dans le budget de séquence configuré. La fiche n’établit pas d’extension par défaut à un million de tokens pour ce checkpoint.
Utilisation de l’interface textuelle sans réflexion
Coder-Next ne prend en charge que le mode sans réflexion et ne génère pas de blocs de réflexion explicites. Régler enable_thinking=False est inutile dans l’exemple du concepteur. Il peut néanmoins expliquer un correctif, discuter d’un algorithme ou raisonner en texte ordinaire ; « sans réflexion » décrit son mode de sortie, sans interdire une explication.
Le démarrage rapide demande un algorithme de tri et utilise un budget de génération de 65,536 tokens. Cette valeur est un exemple de budget, et non un plafond de sortie strict publié séparément. Précisez le format et les contraintes du livrable : langage, interfaces pertinentes, comportement requis et présence souhaitée d’un correctif, d’une fonction complète ou d’une explication. Séparez le résultat modifiable des commentaires pour faciliter son examen.
Environnements d’agent de développement et contexte
Le concepteur souligne la compatibilité avec des environnements d’agent de type CLI et IDE, dont Qwen Code. Un tel environnement fournit l’état du projet, les définitions d’outils, les observations et le format de conversation. Préservez ces entrées de façon cohérente pendant une tâche à plusieurs étapes. Lorsqu’un outil signale une vérification en échec, fournissez l’erreur réelle et le code modifié pertinent, au lieu de simplement demander au modèle de réessayer.
Un travail prolongé bénéficie d’un état de tâche visible : observations, changement proposé et condition non résolue. Une observation d’outil diffère d’une affirmation dans du texte généré. La capacité de reprise du modèle après échec ne doit pas être considérée comme une autorisation automatique d’exécuter des commandes ni comme une garantie de réussite de chaque reprise.
Programmation par agent et appels d’outils
Qwen documente des définitions d’outils de type fonction avec noms, descriptions, schémas d’entrée et champs obligatoires. Fournissez une définition précise et le sens attendu de la valeur de retour. L’application exécute l’outil sélectionné et renvoie son résultat ; le modèle l’utilise ensuite à l’étape suivante. L’appel d’outils lui-même n’accorde aucun accès à un système de fichiers, à des sources actuelles ou à un environnement d’exécution.
Pour un agent modifiant un dépôt, limitez les fichiers autorisés et le livrable demandé. Un rapport final utile peut identifier les modules concernés, expliquer le changement et répertorier les résultats réels des vérifications connectées. Distinguez commandes proposées, code généré et opérations achevées. Ce sont des exemples pratiques de processus fondés sur le périmètre documenté de développement et d’outils.
Recommandations de génération
Le concepteur recommande une température de 1.0, top_p à 0.95 et top_k à 40. Ces réglages exacts diffèrent de ceux de plusieurs modèles conversationnels Qwen et doivent rester dans la procédure propre à Coder-Next. La configuration publiée utilise une architecture de modèle de langage causal Qwen3-Next. Utilisez de façon cohérente le nom documenté et le gabarit de dialogue de ce checkpoint pendant le processus de programmation.
Limites de fond
L’entrée documentée est textuelle ; captures d’écran, audio ou vidéo exigent donc une représentation séparée appropriée avant ce processus de programmation. Le contexte natif et les exemples de budgets de génération sont finis ; retirez le code sans rapport et réservez de la place au livrable demandé. Vérifiez syntaxe générée, interfaces, cas limites et changements proposés dans le processus de développement réel. La sortie utile est un livrable de code ou d’explication inspectable, étayé par les éléments réels de la tâche et conservant l’identité uniquement textuelle et sans réflexion de ce checkpoint.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3-coder-next | 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 $0.00024 / 1K tokens Sortie · Tokens en sortie $0.0016 / 1K tokens Entrée · Lecture du cache $0.00014 / 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 $0.00024 / 1K tokens Sortie · Tokens en sortie $0.0016 / 1K tokens Entrée · Lecture du cache $0.00014 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen3-coder-next",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-coder-next', '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-coder-next', '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-coder-next
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Implement a stable partition helper\n\nWrite a Python function partition_even(values) returning two new lists: even integers first and odd integers second. Preserve order within each list and do not mutate values. Provide tests for negative integers, repeated values and empty input. Return the complete function separately from the explanation, with no claim that tests have been executed.A complete function, tests for the named cases and a brief order-preservation explanation.Check that each input occurrence appears exactly once in the appropriate result list and that source order is retained.