Les avancées de Qwen3-Next : instructions textuelles directes
Qwen3-Next-80B-A3B-Instruct est l’édition textuelle Instruct sans réflexion de Qwen3-Next. Elle accepte et renvoie du texte, notamment des explications, propositions de code et documents demandés. Elle ne génère pas de blocs de réflexion explicites. Distinguez-la de l’édition Thinking et de Qwen3-Coder-Next spécialisé en programmation ; une architecture familiale commune ne rend pas leurs contrats de réponse interchangeables.
La famille introduit une attention hybride associant Gated DeltaNet et attention à portes, des experts à forte parcimonie, des optimisations de stabilité comprenant une normalisation de couche centrée sur zéro et avec décroissance des poids, ainsi que la prédiction de plusieurs tokens. Ces changements concernent la représentation et l’entraînement des longues séquences. Leur efficacité d’inférence dépend de l’implémentation ; les chiffres architecturaux ne doivent donc pas devenir une garantie fixe de latence ou de débit.
Présentation du modèle
Le checkpoint possède 80 milliards de paramètres au total et en active trois milliards. Il comporte 48 couches suivant un motif répété d’experts de trois DeltaNet pour une attention à portes. Le concepteur répertorie 512 experts, dix experts activés et un expert partagé, avec préentraînement sur 15 billions de tokens suivi d’un ajustement après entraînement. Les paramètres activés ne sont pas la taille du checkpoint complet.
Le contexte natif est de 262,144 tokens, avec extension documentée à 1,010,000. Les exemples de déploiement du concepteur autorisent un contexte inférieur, tel que 32,768, lorsque les contraintes de ressources empêchent le réglage supérieur de fonctionner. Texte, historique de conversation, observations d’outils et contenu généré partagent le budget de séquence configuré. L’extension est un parcours de configuration supplémentaire plutôt qu’une entrée illimitée par défaut.
Utilisation de l’interface Instruct
Ce modèle ne prend en charge que le mode Instruct sans réflexion. Il peut expliquer un algorithme, montrer des calculs ou justifier une conclusion en texte ordinaire sans produire de bloc de réflexion dédié. Demandez le format et les limites du livrable : fonction complète, rapport concis, tableau d’éléments probants ou réponse avec étapes justificatives. Demander une longue explication ne le transforme pas en checkpoint Thinking nommé séparément.
Pour un document, préservez les identifiants de sections et définissez les questions auxquelles le rapport doit répondre. Pour du code, fournissez la fonction ou le module pertinent, les contraintes d’entrée et la sortie attendue. Pour les mathématiques, donnez l’énoncé complet et demandez un résultat final délimité. Comparez les calculs, le code ou l’explication renvoyés aux conditions fournies et aux résultats réels.
Implémentation et outils
Le concepteur documente l’appel d’outils et recommande Qwen-Agent pour les gabarits et l’analyse des appels, avec des outils configurés ou connectés par MCP. Un processus connecté peut fournir recherche, inspection ou exécution autorisée et renvoyer des observations réelles. Précisez les outils, actions autorisées et conditions visibles d’achèvement, puis demandez au rapport final de distinguer propositions et résultats réellement renvoyés.
La prédiction de plusieurs tokens fait partie de l’entraînement, mais son usage en inférence dépend de l’implémentation et n’est pas généralement disponible dans tous les processus légers. Un gabarit ou une fonction architecturale n’établit pas à lui seul l’accès aux sources actuelles, aux fichiers ou à un environnement de code. Préservez le modèle exact et le format de conversation utilisé par l’interface choisie.
Texte très long
Le concepteur valide un contexte d’environ un million de tokens avec YaRN et donne une procédure avec facteur de quatre fondée sur 262,144 positions natives. Pour les charges de 524,288 tokens, il suggère un facteur de deux. La mise à l’échelle statique peut diminuer les performances sur les textes courts ; la configuration doit donc suivre le besoin réel d’entrée plus longue.
Organisez les documents longs par document, chemin de code ou section et retirez les répétitions sans rapport. Demandez à la réponse d’identifier ses passages ou conditions justificatifs. Réservez de la place pour la réponse sans considérer le nombre de contexte maximal comme le rappel complet de chaque détail fourni. Le chiffre d’extension publié de 1,010,000 et la validation autour d’un million restent rattachés au processus de contexte long du concepteur.
Recommandations de génération
Les bonnes pratiques recommandent une température de 0.7, top_p à 0.8, top_k à 20 et min_p à 0. Lorsqu’elle est prise en charge, une pénalité de présence entre zéro et deux peut réduire les répétitions, mais les valeurs élevées peuvent mélanger les langues ou diminuer légèrement la qualité. Le concepteur recommande un budget de sortie de 16,384 tokens pour la plupart des requêtes. C’est un budget de génération recommandé plutôt qu’un maximum strict indépendant ; il ne doit pas hériter des budgets plus longs de l’édition Thinking.
Précisez explicitement la forme du résultat, telle qu’un délimiteur mathématique ou un champ de réponse. Gardez le livrable final facile à examiner et vérifiez ses calculs, citations ou code à partir de la source. Cette édition uniquement textuelle n’accepte pas d’images, d’audio ou de vidéo comme entrées propres ; ces documents exigent donc une représentation séparée appropriée avant de soutenir la tâche.
Résultat pratique
La sortie utile est un livrable textuel concret fondé sur les conditions fournies : explication documentaire, proposition de code ou réponse directe avec les détails justificatifs requis. Le contexte long et l’appel d’outils peuvent transporter davantage d’éléments dans un processus, tandis que le contrat sans réflexion clarifie le style de sortie de cette édition précise. Vérifiez le résultat dans l’environnement réel de la tâche, sans déduire son exactitude de sa longueur ou de sa formulation assurée.
", "aboutText": "Les avancées de Qwen3-Next : instructions textuelles directes\n\nQwen3-Next-80B-A3B-Instruct est l’édition textuelle Instruct sans réflexion de Qwen3-Next. Elle accepte et renvoie du texte, notamment des explications, propositions de code et documents demandés. Elle ne génère pas de blocs de réflexion explicites. Distinguez-la de l’édition Thinking et de Qwen3-Coder-Next spécialisé en programmation ; une architecture familiale commune ne rend pas leurs contrats de réponse interchangeables.\n\nLa famille introduit une attention hybride associant Gated DeltaNet et attention à portes, des experts à forte parcimonie, des optimisations de stabilité comprenant une normalisation de couche centrée sur zéro et avec décroissance des poids, ainsi que la prédiction de plusieurs tokens. Ces changements concernent la représentation et l’entraînement des longues séquences. Leur efficacité d’inférence dépend de l’implémentation ; les chiffres architecturaux ne doivent donc pas devenir une garantie fixe de latence ou de débit.\n\nPrésentation du modèle\n\nLe checkpoint possède 80 milliards de paramètres au total et en active trois milliards. Il comporte 48 couches suivant un motif répété d’experts de trois DeltaNet pour une attention à portes. Le concepteur répertorie 512 experts, dix experts activés et un expert partagé, avec préentraînement sur 15 billions de tokens suivi d’un ajustement après entraînement. Les paramètres activés ne sont pas la taille du checkpoint complet.\n\nLe contexte natif est de 262,144 tokens, avec extension documentée à 1,010,000. Les exemples de déploiement du concepteur autorisent un contexte inférieur, tel que 32,768, lorsque les contraintes de ressources empêchent le réglage supérieur de fonctionner. Texte, historique de conversation, observations d’outils et contenu généré partagent le budget de séquence configuré. L’extension est un parcours de configuration supplémentaire plutôt qu’une entrée illimitée par défaut.\n\nUtilisation de l’interface Instruct\n\nCe modèle ne prend en charge que le mode Instruct sans réflexion. Il peut expliquer un algorithme, montrer des calculs ou justifier une conclusion en texte ordinaire sans produire de bloc de réflexion dédié. Demandez le format et les limites du livrable : fonction complète, rapport concis, tableau d’éléments probants ou réponse avec étapes justificatives. Demander une longue explication ne le transforme pas en checkpoint Thinking nommé séparément.\n\nPour un document, préservez les identifiants de sections et définissez les questions auxquelles le rapport doit répondre. Pour du code, fournissez la fonction ou le module pertinent, les contraintes d’entrée et la sortie attendue. Pour les mathématiques, donnez l’énoncé complet et demandez un résultat final délimité. Comparez les calculs, le code ou l’explication renvoyés aux conditions fournies et aux résultats réels.\n\nImplémentation et outils\n\nLe concepteur documente l’appel d’outils et recommande Qwen-Agent pour les gabarits et l’analyse des appels, avec des outils configurés ou connectés par MCP. Un processus connecté peut fournir recherche, inspection ou exécution autorisée et renvoyer des observations réelles. Précisez les outils, actions autorisées et conditions visibles d’achèvement, puis demandez au rapport final de distinguer propositions et résultats réellement renvoyés.\n\nLa prédiction de plusieurs tokens fait partie de l’entraînement, mais son usage en inférence dépend de l’implémentation et n’est pas généralement disponible dans tous les processus légers. Un gabarit ou une fonction architecturale n’établit pas à lui seul l’accès aux sources actuelles, aux fichiers ou à un environnement de code. Préservez le modèle exact et le format de conversation utilisé par l’interface choisie.\n\nTexte très long\n\nLe concepteur valide un contexte d’environ un million de tokens avec YaRN et donne une procédure avec facteur de quatre fondée sur 262,144 positions natives. Pour les charges de 524,288 tokens, il suggère un facteur de deux. La mise à l’échelle statique peut diminuer les performances sur les textes courts ; la configuration doit donc suivre le besoin réel d’entrée plus longue.\n\nOrganisez les documents longs par document, chemin de code ou section et retirez les répétitions sans rapport. Demandez à la réponse d’identifier ses passages ou conditions justificatifs. Réservez de la place pour la réponse sans considérer le nombre de contexte maximal comme le rappel complet de chaque détail fourni. Le chiffre d’extension publié de 1,010,000 et la validation autour d’un million restent rattachés au processus de contexte long du concepteur.\n\nRecommandations de génération\n\nLes bonnes pratiques recommandent une température de 0.7, top_p à 0.8, top_k à 20 et min_p à 0. Lorsqu’elle est prise en charge, une pénalité de présence entre zéro et deux peut réduire les répétitions, mais les valeurs élevées peuvent mélanger les langues ou diminuer légèrement la qualité. Le concepteur recommande un budget de sortie de 16,384 tokens pour la plupart des requêtes. C’est un budget de génération recommandé plutôt qu’un maximum strict indépendant ; il ne doit pas hériter des budgets plus longs de l’édition Thinking.\n\nPrécisez explicitement la forme du résultat, telle qu’un délimiteur mathématique ou un champ de réponse. Gardez le livrable final facile à examiner et vérifiez ses calculs, citations ou code à partir de la source. Cette édition uniquement textuelle n’accepte pas d’images, d’audio ou de vidéo comme entrées propres ; ces documents exigent donc une représentation séparée appropriée avant de soutenir la tâche.\n\nRésultat pratique\n\nLa sortie utile est un livrable textuel concret fondé sur les conditions fournies : explication documentaire, proposition de code ou réponse directe avec les détails justificatifs requis. Le contexte long et l’appel d’outils peuvent transporter davantage d’éléments dans un processus, tandis que le contrat sans réflexion clarifie le style de sortie de cette édition précise. Vérifiez le résultat dans l’environnement réel de la tâche, sans déduire son exactitude de sa longueur ou de sa formulation assurée.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Explain a section-specific decision\n\nAnswer only from these procedure sections. Section 2: standard purchases need a manager's approval. Section 4: emergency safety purchases may proceed first, but must be reported to that manager within one day. Case: a broken emergency exit light needs replacement today. Give a concise recommendation with section references and identify the follow-up obligation. Do not invent an approval already granted.A direct recommendation with supporting sections and the one-day reporting obligation.The emergency exception retains its reporting condition and is not generalised to all purchases.qwen/qwen3-next-80b-a3b-instructQwen3-Next-80B-A3B-Instruct est l’édition textuelle sans réflexion de Qwen, avec 80 milliards de paramètres au total et 3 milliards activés. Elle associe attention hybride, experts parcimonieux et appel d’outils à un contexte natif de 262,144 tokens, extensible à 1,010,000 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-Next : instructions textuelles directes
Qwen3-Next-80B-A3B-Instruct est l’édition textuelle Instruct sans réflexion de Qwen3-Next. Elle accepte et renvoie du texte, notamment des explications, propositions de code et documents demandés. Elle ne génère pas de blocs de réflexion explicites. Distinguez-la de l’édition Thinking et de Qwen3-Coder-Next spécialisé en programmation ; une architecture familiale commune ne rend pas leurs contrats de réponse interchangeables.
La famille introduit une attention hybride associant Gated DeltaNet et attention à portes, des experts à forte parcimonie, des optimisations de stabilité comprenant une normalisation de couche centrée sur zéro et avec décroissance des poids, ainsi que la prédiction de plusieurs tokens. Ces changements concernent la représentation et l’entraînement des longues séquences. Leur efficacité d’inférence dépend de l’implémentation ; les chiffres architecturaux ne doivent donc pas devenir une garantie fixe de latence ou de débit.
Présentation du modèle
Le checkpoint possède 80 milliards de paramètres au total et en active trois milliards. Il comporte 48 couches suivant un motif répété d’experts de trois DeltaNet pour une attention à portes. Le concepteur répertorie 512 experts, dix experts activés et un expert partagé, avec préentraînement sur 15 billions de tokens suivi d’un ajustement après entraînement. Les paramètres activés ne sont pas la taille du checkpoint complet.
Le contexte natif est de 262,144 tokens, avec extension documentée à 1,010,000. Les exemples de déploiement du concepteur autorisent un contexte inférieur, tel que 32,768, lorsque les contraintes de ressources empêchent le réglage supérieur de fonctionner. Texte, historique de conversation, observations d’outils et contenu généré partagent le budget de séquence configuré. L’extension est un parcours de configuration supplémentaire plutôt qu’une entrée illimitée par défaut.
Utilisation de l’interface Instruct
Ce modèle ne prend en charge que le mode Instruct sans réflexion. Il peut expliquer un algorithme, montrer des calculs ou justifier une conclusion en texte ordinaire sans produire de bloc de réflexion dédié. Demandez le format et les limites du livrable : fonction complète, rapport concis, tableau d’éléments probants ou réponse avec étapes justificatives. Demander une longue explication ne le transforme pas en checkpoint Thinking nommé séparément.
Pour un document, préservez les identifiants de sections et définissez les questions auxquelles le rapport doit répondre. Pour du code, fournissez la fonction ou le module pertinent, les contraintes d’entrée et la sortie attendue. Pour les mathématiques, donnez l’énoncé complet et demandez un résultat final délimité. Comparez les calculs, le code ou l’explication renvoyés aux conditions fournies et aux résultats réels.
Implémentation et outils
Le concepteur documente l’appel d’outils et recommande Qwen-Agent pour les gabarits et l’analyse des appels, avec des outils configurés ou connectés par MCP. Un processus connecté peut fournir recherche, inspection ou exécution autorisée et renvoyer des observations réelles. Précisez les outils, actions autorisées et conditions visibles d’achèvement, puis demandez au rapport final de distinguer propositions et résultats réellement renvoyés.
La prédiction de plusieurs tokens fait partie de l’entraînement, mais son usage en inférence dépend de l’implémentation et n’est pas généralement disponible dans tous les processus légers. Un gabarit ou une fonction architecturale n’établit pas à lui seul l’accès aux sources actuelles, aux fichiers ou à un environnement de code. Préservez le modèle exact et le format de conversation utilisé par l’interface choisie.
Texte très long
Le concepteur valide un contexte d’environ un million de tokens avec YaRN et donne une procédure avec facteur de quatre fondée sur 262,144 positions natives. Pour les charges de 524,288 tokens, il suggère un facteur de deux. La mise à l’échelle statique peut diminuer les performances sur les textes courts ; la configuration doit donc suivre le besoin réel d’entrée plus longue.
Organisez les documents longs par document, chemin de code ou section et retirez les répétitions sans rapport. Demandez à la réponse d’identifier ses passages ou conditions justificatifs. Réservez de la place pour la réponse sans considérer le nombre de contexte maximal comme le rappel complet de chaque détail fourni. Le chiffre d’extension publié de 1,010,000 et la validation autour d’un million restent rattachés au processus de contexte long du concepteur.
Recommandations de génération
Les bonnes pratiques recommandent une température de 0.7, top_p à 0.8, top_k à 20 et min_p à 0. Lorsqu’elle est prise en charge, une pénalité de présence entre zéro et deux peut réduire les répétitions, mais les valeurs élevées peuvent mélanger les langues ou diminuer légèrement la qualité. Le concepteur recommande un budget de sortie de 16,384 tokens pour la plupart des requêtes. C’est un budget de génération recommandé plutôt qu’un maximum strict indépendant ; il ne doit pas hériter des budgets plus longs de l’édition Thinking.
Précisez explicitement la forme du résultat, telle qu’un délimiteur mathématique ou un champ de réponse. Gardez le livrable final facile à examiner et vérifiez ses calculs, citations ou code à partir de la source. Cette édition uniquement textuelle n’accepte pas d’images, d’audio ou de vidéo comme entrées propres ; ces documents exigent donc une représentation séparée appropriée avant de soutenir la tâche.
Résultat pratique
La sortie utile est un livrable textuel concret fondé sur les conditions fournies : explication documentaire, proposition de code ou réponse directe avec les détails justificatifs requis. Le contexte long et l’appel d’outils peuvent transporter davantage d’éléments dans un processus, tandis que le contrat sans réflexion clarifie le style de sortie de cette édition précise. Vérifiez le résultat dans l’environnement réel de la tâche, sans déduire son exactitude de sa longueur ou de sa formulation assurée.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3-next-80b-a3b-instruct | 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 $0.000286 / 1K tokens Sortie · Tokens en sortie $0.0022 / 1K tokens Entrée · Lecture du cache $0.00014 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.000286 / 1K tokens Sortie · Tokens en sortie $0.0022 / 1K tokens Entrée · Lecture du cache $0.00014 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-next-80b-a3b-instruct", "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-next-80b-a3b-instruct',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-next-80b-a3b-instruct',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-next-80b-a3b-instruct
Utilisez les chemins de méthode indiqués ci-dessus.
qwen/qwen3-next-80b-a3b-instructQwen3-Next-80B-A3B-Instruct est l’édition textuelle sans réflexion de Qwen, avec 80 milliards de paramètres au total et 3 milliards activés. Elle associe attention hybride, experts parcimonieux et appel d’outils à un contexte natif de 262,144 tokens, extensible à 1,010,000 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-Next : instructions textuelles directes
Qwen3-Next-80B-A3B-Instruct est l’édition textuelle Instruct sans réflexion de Qwen3-Next. Elle accepte et renvoie du texte, notamment des explications, propositions de code et documents demandés. Elle ne génère pas de blocs de réflexion explicites. Distinguez-la de l’édition Thinking et de Qwen3-Coder-Next spécialisé en programmation ; une architecture familiale commune ne rend pas leurs contrats de réponse interchangeables.
La famille introduit une attention hybride associant Gated DeltaNet et attention à portes, des experts à forte parcimonie, des optimisations de stabilité comprenant une normalisation de couche centrée sur zéro et avec décroissance des poids, ainsi que la prédiction de plusieurs tokens. Ces changements concernent la représentation et l’entraînement des longues séquences. Leur efficacité d’inférence dépend de l’implémentation ; les chiffres architecturaux ne doivent donc pas devenir une garantie fixe de latence ou de débit.
Présentation du modèle
Le checkpoint possède 80 milliards de paramètres au total et en active trois milliards. Il comporte 48 couches suivant un motif répété d’experts de trois DeltaNet pour une attention à portes. Le concepteur répertorie 512 experts, dix experts activés et un expert partagé, avec préentraînement sur 15 billions de tokens suivi d’un ajustement après entraînement. Les paramètres activés ne sont pas la taille du checkpoint complet.
Le contexte natif est de 262,144 tokens, avec extension documentée à 1,010,000. Les exemples de déploiement du concepteur autorisent un contexte inférieur, tel que 32,768, lorsque les contraintes de ressources empêchent le réglage supérieur de fonctionner. Texte, historique de conversation, observations d’outils et contenu généré partagent le budget de séquence configuré. L’extension est un parcours de configuration supplémentaire plutôt qu’une entrée illimitée par défaut.
Utilisation de l’interface Instruct
Ce modèle ne prend en charge que le mode Instruct sans réflexion. Il peut expliquer un algorithme, montrer des calculs ou justifier une conclusion en texte ordinaire sans produire de bloc de réflexion dédié. Demandez le format et les limites du livrable : fonction complète, rapport concis, tableau d’éléments probants ou réponse avec étapes justificatives. Demander une longue explication ne le transforme pas en checkpoint Thinking nommé séparément.
Pour un document, préservez les identifiants de sections et définissez les questions auxquelles le rapport doit répondre. Pour du code, fournissez la fonction ou le module pertinent, les contraintes d’entrée et la sortie attendue. Pour les mathématiques, donnez l’énoncé complet et demandez un résultat final délimité. Comparez les calculs, le code ou l’explication renvoyés aux conditions fournies et aux résultats réels.
Implémentation et outils
Le concepteur documente l’appel d’outils et recommande Qwen-Agent pour les gabarits et l’analyse des appels, avec des outils configurés ou connectés par MCP. Un processus connecté peut fournir recherche, inspection ou exécution autorisée et renvoyer des observations réelles. Précisez les outils, actions autorisées et conditions visibles d’achèvement, puis demandez au rapport final de distinguer propositions et résultats réellement renvoyés.
La prédiction de plusieurs tokens fait partie de l’entraînement, mais son usage en inférence dépend de l’implémentation et n’est pas généralement disponible dans tous les processus légers. Un gabarit ou une fonction architecturale n’établit pas à lui seul l’accès aux sources actuelles, aux fichiers ou à un environnement de code. Préservez le modèle exact et le format de conversation utilisé par l’interface choisie.
Texte très long
Le concepteur valide un contexte d’environ un million de tokens avec YaRN et donne une procédure avec facteur de quatre fondée sur 262,144 positions natives. Pour les charges de 524,288 tokens, il suggère un facteur de deux. La mise à l’échelle statique peut diminuer les performances sur les textes courts ; la configuration doit donc suivre le besoin réel d’entrée plus longue.
Organisez les documents longs par document, chemin de code ou section et retirez les répétitions sans rapport. Demandez à la réponse d’identifier ses passages ou conditions justificatifs. Réservez de la place pour la réponse sans considérer le nombre de contexte maximal comme le rappel complet de chaque détail fourni. Le chiffre d’extension publié de 1,010,000 et la validation autour d’un million restent rattachés au processus de contexte long du concepteur.
Recommandations de génération
Les bonnes pratiques recommandent une température de 0.7, top_p à 0.8, top_k à 20 et min_p à 0. Lorsqu’elle est prise en charge, une pénalité de présence entre zéro et deux peut réduire les répétitions, mais les valeurs élevées peuvent mélanger les langues ou diminuer légèrement la qualité. Le concepteur recommande un budget de sortie de 16,384 tokens pour la plupart des requêtes. C’est un budget de génération recommandé plutôt qu’un maximum strict indépendant ; il ne doit pas hériter des budgets plus longs de l’édition Thinking.
Précisez explicitement la forme du résultat, telle qu’un délimiteur mathématique ou un champ de réponse. Gardez le livrable final facile à examiner et vérifiez ses calculs, citations ou code à partir de la source. Cette édition uniquement textuelle n’accepte pas d’images, d’audio ou de vidéo comme entrées propres ; ces documents exigent donc une représentation séparée appropriée avant de soutenir la tâche.
Résultat pratique
La sortie utile est un livrable textuel concret fondé sur les conditions fournies : explication documentaire, proposition de code ou réponse directe avec les détails justificatifs requis. Le contexte long et l’appel d’outils peuvent transporter davantage d’éléments dans un processus, tandis que le contrat sans réflexion clarifie le style de sortie de cette édition précise. Vérifiez le résultat dans l’environnement réel de la tâche, sans déduire son exactitude de sa longueur ou de sa formulation assurée.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites qwen/qwen3-next-80b-a3b-instruct | 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 $0.000286 / 1K tokens Sortie · Tokens en sortie $0.0022 / 1K tokens Entrée · Lecture du cache $0.00014 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.000286 / 1K tokens Sortie · Tokens en sortie $0.0022 / 1K tokens Entrée · Lecture du cache $0.00014 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "qwen/qwen3-next-80b-a3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-next-80b-a3b-instruct', '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-next-80b-a3b-instruct', '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-next-80b-a3b-instruct
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Explain a section-specific decision\n\nAnswer only from these procedure sections. Section 2: standard purchases need a manager's approval. Section 4: emergency safety purchases may proceed first, but must be reported to that manager within one day. Case: a broken emergency exit light needs replacement today. Give a concise recommendation with section references and identify the follow-up obligation. Do not invent an approval already granted.A direct recommendation with supporting sections and the one-day reporting obligation.The emergency exception retains its reporting condition and is not generalised to all purchases.