Qwen3-235B-A22B-Thinking-2507 מפתח את ענף ההסקה של Qwen3 למשימות לוגיות, מתמטיות, מדעיות ותכנותיות מורכבות. Qwen מציין גם מילוי הוראות, שימוש בכלים, יצירת טקסט והבנת הקשר ארוך כתחומים שהשתפרו במהדורה זו. הוא מקבל שיחות טקסטואליות ויוצר טקסט. בקשה שימושית נותנת לו את הבעיה המלאה, את הראיות הרלוונטיות, את האילוצים ואת הצורה המדויקת של התוצר הסופי: הוכחה, תוכנית מימוש, תוכנית מתוקנת או החלטה הנתמכת במסמכים שסופקו.
המודל משתמש בארכיטקטורה של תערובת מומחים עם 235 מיליארד פרמטרים בסך הכול ו־22 מיליארד המופעלים לכל טוקן. ההקשר המקורי שלו הוא 262,144 טוקנים. מרחב זה שימושי לשילוב כמה מפרטים, קובצי מקור או קטעי מחקר קשורים בשיחה אחת, תוך השארת מקום להסקה של המודל ולתשובה הסופית שלו. סמנו מסמכים ובלוקי קוד, ציינו אילו מקורות מקבלים עדיפות והפנו לסעיפים החשובים. למשל, בקשה לניתוח תוכנה יכולה לספק את ההתנהגות הכושלת, את ההתנהגות הצפויה, את הפונקציות הרלוונטיות ואת האילוצים, ואז לבקש תיקון מוצע עם רשימת ההנחות בנפרד.
זו מהדורה לחשיבה בלבד. היא אינה עוברת למצב ללא חשיבה של מודל Qwen3 המקורי. תבנית הצ'אט הרשמית מתחילה את מקטע ההסקה אוטומטית, ולכן הפלט עשוי לכלול סימן סגירה </think> בלי סימן פתיחה בטקסט שנוצר. דוגמת היצרן מפרידה בין מקטע ההסקה הזה לבין התשובה הסופית. למשימה מתמטית, Qwen ממליץ לבקש הסקה צעד אחר צעד ותשובה סופית בתוך \\boxed{}. למשימת רב־ברירה, הוא מציע שדה תשובה המכיל רק את האות שנבחרה. הוראות אלה עוזרות להפוך את התוצאה לקלה יותר לקריאה או לעיבוד לאחר שההסקה הסתיימה.
הנחיות היצירה של Qwen ממליצות על temperature של 0.6, על top-p של 0.95, על top-k של 20 ועל min-p של 0. הן ממליצות על הקצאת פלט של 32,768 טוקנים לרוב השאילתות ומתארות הקצאה של 81,920 טוקנים לבעיות מתמטיקה ותכנות תובעניות במיוחד. אלה המלצות של היצרן ליצירה, ולא גבול תשובה מובטח ונפרד. הסקה ארוכה יותר דורשת מקום לפני התשובה הסופית: הקצאה קטנה מדי עלולה לסיים את התשובה לפני המסקנה המבוקשת. בסבבי שיחה מאוחרים יותר, ההנחיות הרשמיות שומרות את התשובה הסופית בהיסטוריה ומשמיטות את תוכן החשיבה הקודם.
לעבודה בסגנון סוכן, Qwen ממליץ על Qwen-Agent, המספק תבניות ומנתחים לקריאות לכלים. הדוגמאות שלו משלבות כלים מוגדרים, כגון אחזור מידע ומפרש קוד, בשיחה עם המודל. הכינו את תיאורי הכלים הזמינים, את תנאי העצירה של המשימה ואת התוצאה הנדרשת לפני שתבקשו ממנו לתכנן שימוש בכלים. בקשת מחקר מעשית יכולה לבקש איסוף ראיות מוגדרות, השוואת הסברים מתחרים והחזרת מסקנה עם ראיות המאורגנות לפי מקור. קריאות לכלים מתארות עבודה שהיישום יבצע; הטקסט של המודל לבדו אינו הפעולה החיצונית או תוצאתה.
כרטיס המודל הרשמי מתאר גם הרחבת הקשר אופציונלית לכמיליון טוקנים באמצעות תצורה נפרדת, Dual Chunk Attention וקשב דליל. היא נפרדת מהחלון המקורי של 262,144 טוקנים ותלויה במימוש שנקבע ובמשאבי זיכרון משמעותיים. היצרן מזהיר שמגבלות הקשר וזיכרון עשויות לחייב רצפים קצרים יותר. לעבודה רגילה עם מסמכים ארוכים, ארגנו את הקלט סביב השאלה בפועל, שמרו על גבולות המסמכים ובקשו סיכום סופי תמציתי המזהה ראיות שנותרו בלתי מוכרעות. כך התוצאה השימושית נשארת נפרדת מתהליך ההסקה, שעשוי להיות ממושך.
", "aboutText": "Qwen3-235B-A22B-Thinking-2507 מפתח את ענף ההסקה של Qwen3 למשימות לוגיות, מתמטיות, מדעיות ותכנותיות מורכבות. Qwen מציין גם מילוי הוראות, שימוש בכלים, יצירת טקסט והבנת הקשר ארוך כתחומים שהשתפרו במהדורה זו. הוא מקבל שיחות טקסטואליות ויוצר טקסט. בקשה שימושית נותנת לו את הבעיה המלאה, את הראיות הרלוונטיות, את האילוצים ואת הצורה המדויקת של התוצר הסופי: הוכחה, תוכנית מימוש, תוכנית מתוקנת או החלטה הנתמכת במסמכים שסופקו.\n\nהמודל משתמש בארכיטקטורה של תערובת מומחים עם 235 מיליארד פרמטרים בסך הכול ו־22 מיליארד המופעלים לכל טוקן. ההקשר המקורי שלו הוא 262,144 טוקנים. מרחב זה שימושי לשילוב כמה מפרטים, קובצי מקור או קטעי מחקר קשורים בשיחה אחת, תוך השארת מקום להסקה של המודל ולתשובה הסופית שלו. סמנו מסמכים ובלוקי קוד, ציינו אילו מקורות מקבלים עדיפות והפנו לסעיפים החשובים. למשל, בקשה לניתוח תוכנה יכולה לספק את ההתנהגות הכושלת, את ההתנהגות הצפויה, את הפונקציות הרלוונטיות ואת האילוצים, ואז לבקש תיקון מוצע עם רשימת ההנחות בנפרד.\n\nזו מהדורה לחשיבה בלבד. היא אינה עוברת למצב ללא חשיבה של מודל Qwen3 המקורי. תבנית הצ'אט הרשמית מתחילה את מקטע ההסקה אוטומטית, ולכן הפלט עשוי לכלול סימן סגירה בלי סימן פתיחה בטקסט שנוצר. דוגמת היצרן מפרידה בין מקטע ההסקה הזה לבין התשובה הסופית. למשימה מתמטית, Qwen ממליץ לבקש הסקה צעד אחר צעד ותשובה סופית בתוך \\boxed{}. למשימת רב־ברירה, הוא מציע שדה תשובה המכיל רק את האות שנבחרה. הוראות אלה עוזרות להפוך את התוצאה לקלה יותר לקריאה או לעיבוד לאחר שההסקה הסתיימה.\n\nהנחיות היצירה של Qwen ממליצות על temperature של 0.6, על top-p של 0.95, על top-k של 20 ועל min-p של 0. הן ממליצות על הקצאת פלט של 32,768 טוקנים לרוב השאילתות ומתארות הקצאה של 81,920 טוקנים לבעיות מתמטיקה ותכנות תובעניות במיוחד. אלה המלצות של היצרן ליצירה, ולא גבול תשובה מובטח ונפרד. הסקה ארוכה יותר דורשת מקום לפני התשובה הסופית: הקצאה קטנה מדי עלולה לסיים את התשובה לפני המסקנה המבוקשת. בסבבי שיחה מאוחרים יותר, ההנחיות הרשמיות שומרות את התשובה הסופית בהיסטוריה ומשמיטות את תוכן החשיבה הקודם.\n\nלעבודה בסגנון סוכן, Qwen ממליץ על Qwen-Agent, המספק תבניות ומנתחים לקריאות לכלים. הדוגמאות שלו משלבות כלים מוגדרים, כגון אחזור מידע ומפרש קוד, בשיחה עם המודל. הכינו את תיאורי הכלים הזמינים, את תנאי העצירה של המשימה ואת התוצאה הנדרשת לפני שתבקשו ממנו לתכנן שימוש בכלים. בקשת מחקר מעשית יכולה לבקש איסוף ראיות מוגדרות, השוואת הסברים מתחרים והחזרת מסקנה עם ראיות המאורגנות לפי מקור. קריאות לכלים מתארות עבודה שהיישום יבצע; הטקסט של המודל לבדו אינו הפעולה החיצונית או תוצאתה.\n\nכרטיס המודל הרשמי מתאר גם הרחבת הקשר אופציונלית לכמיליון טוקנים באמצעות תצורה נפרדת, Dual Chunk Attention וקשב דליל. היא נפרדת מהחלון המקורי של 262,144 טוקנים ותלויה במימוש שנקבע ובמשאבי זיכרון משמעותיים. היצרן מזהיר שמגבלות הקשר וזיכרון עשויות לחייב רצפים קצרים יותר. לעבודה רגילה עם מסמכים ארוכים, ארגנו את הקלט סביב השאלה בפועל, שמרו על גבולות המסמכים ובקשו סיכום סופי תמציתי המזהה ראיות שנותרו בלתי מוכרעות. כך התוצאה השימושית נשארת נפרדת מתהליך ההסקה, שעשוי להיות ממושך.", "editorialOverlay": { "copy_fields": { "practical_html": "דוגמה טכנית באנגלית
Check a constrained allocation\n\nAllocate 17 identical work units to two teams. Team A must receive at least 6 and an even number; Team B must receive at least 5. Minimize the difference between team totals. List the valid allocations nearest equality, select the best and explain why no smaller difference is possible under the parity rule.A compact allocation analysis with feasible candidates, selected totals and a checkable optimality argument.Verify the totals sum to 17, A is even, both minimums hold and the comparison includes both sides of equality.qwen/qwen3-235b-a22b-thinking-2507Qwen3-235B-A22B-Thinking-2507 הוא מודל הטקסט של Qwen המיועד להסקה בלבד, למשימות תובעניות במתמטיקה, במדעים, בתכנות ובניתוח מסמכים ארוכים. ההקשר המקורי שלו, 262,144 טוקנים, וההסקה הממושכת מתאימים לבעיות שדורשות כמה צעדים הקשורים זה לזה.
התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.
Qwen3-235B-A22B-Thinking-2507 מפתח את ענף ההסקה של Qwen3 למשימות לוגיות, מתמטיות, מדעיות ותכנותיות מורכבות. Qwen מציין גם מילוי הוראות, שימוש בכלים, יצירת טקסט והבנת הקשר ארוך כתחומים שהשתפרו במהדורה זו. הוא מקבל שיחות טקסטואליות ויוצר טקסט. בקשה שימושית נותנת לו את הבעיה המלאה, את הראיות הרלוונטיות, את האילוצים ואת הצורה המדויקת של התוצר הסופי: הוכחה, תוכנית מימוש, תוכנית מתוקנת או החלטה הנתמכת במסמכים שסופקו.
המודל משתמש בארכיטקטורה של תערובת מומחים עם 235 מיליארד פרמטרים בסך הכול ו־22 מיליארד המופעלים לכל טוקן. ההקשר המקורי שלו הוא 262,144 טוקנים. מרחב זה שימושי לשילוב כמה מפרטים, קובצי מקור או קטעי מחקר קשורים בשיחה אחת, תוך השארת מקום להסקה של המודל ולתשובה הסופית שלו. סמנו מסמכים ובלוקי קוד, ציינו אילו מקורות מקבלים עדיפות והפנו לסעיפים החשובים. למשל, בקשה לניתוח תוכנה יכולה לספק את ההתנהגות הכושלת, את ההתנהגות הצפויה, את הפונקציות הרלוונטיות ואת האילוצים, ואז לבקש תיקון מוצע עם רשימת ההנחות בנפרד.
זו מהדורה לחשיבה בלבד. היא אינה עוברת למצב ללא חשיבה של מודל Qwen3 המקורי. תבנית הצ'אט הרשמית מתחילה את מקטע ההסקה אוטומטית, ולכן הפלט עשוי לכלול סימן סגירה </think> בלי סימן פתיחה בטקסט שנוצר. דוגמת היצרן מפרידה בין מקטע ההסקה הזה לבין התשובה הסופית. למשימה מתמטית, Qwen ממליץ לבקש הסקה צעד אחר צעד ותשובה סופית בתוך \\boxed{}. למשימת רב־ברירה, הוא מציע שדה תשובה המכיל רק את האות שנבחרה. הוראות אלה עוזרות להפוך את התוצאה לקלה יותר לקריאה או לעיבוד לאחר שההסקה הסתיימה.
הנחיות היצירה של Qwen ממליצות על temperature של 0.6, על top-p של 0.95, על top-k של 20 ועל min-p של 0. הן ממליצות על הקצאת פלט של 32,768 טוקנים לרוב השאילתות ומתארות הקצאה של 81,920 טוקנים לבעיות מתמטיקה ותכנות תובעניות במיוחד. אלה המלצות של היצרן ליצירה, ולא גבול תשובה מובטח ונפרד. הסקה ארוכה יותר דורשת מקום לפני התשובה הסופית: הקצאה קטנה מדי עלולה לסיים את התשובה לפני המסקנה המבוקשת. בסבבי שיחה מאוחרים יותר, ההנחיות הרשמיות שומרות את התשובה הסופית בהיסטוריה ומשמיטות את תוכן החשיבה הקודם.
לעבודה בסגנון סוכן, Qwen ממליץ על Qwen-Agent, המספק תבניות ומנתחים לקריאות לכלים. הדוגמאות שלו משלבות כלים מוגדרים, כגון אחזור מידע ומפרש קוד, בשיחה עם המודל. הכינו את תיאורי הכלים הזמינים, את תנאי העצירה של המשימה ואת התוצאה הנדרשת לפני שתבקשו ממנו לתכנן שימוש בכלים. בקשת מחקר מעשית יכולה לבקש איסוף ראיות מוגדרות, השוואת הסברים מתחרים והחזרת מסקנה עם ראיות המאורגנות לפי מקור. קריאות לכלים מתארות עבודה שהיישום יבצע; הטקסט של המודל לבדו אינו הפעולה החיצונית או תוצאתה.
כרטיס המודל הרשמי מתאר גם הרחבת הקשר אופציונלית לכמיליון טוקנים באמצעות תצורה נפרדת, Dual Chunk Attention וקשב דליל. היא נפרדת מהחלון המקורי של 262,144 טוקנים ותלויה במימוש שנקבע ובמשאבי זיכרון משמעותיים. היצרן מזהיר שמגבלות הקשר וזיכרון עשויות לחייב רצפים קצרים יותר. לעבודה רגילה עם מסמכים ארוכים, ארגנו את הקלט סביב השאלה בפועל, שמרו על גבולות המסמכים ובקשו סיכום סופי תמציתי המזהה ראיות שנותרו בלתי מוכרעות. כך התוצאה השימושית נשארת נפרדת מתהליך ההסקה, שעשוי להיות ממושך.
POST /v1/chat/completionstexttext| שדה | סוג | דרישה | ערכים ומגבלות | ברירת מחדל |
|---|---|---|---|---|
שדהmodel | סוגstring | דרישהחובה | ערכים ומגבלות qwen/qwen3-235b-a22b-thinking-2507 | ברירת מחדל— |
שדהmessages | סוגmessage[] | דרישהחובה | ערכים ומגבלות מספר פריטים מזערי: 1 | ברירת מחדל— |
שדהmessages[].role | סוגstring | דרישהחובה | ערכים ומגבלות דוגמאות: system, user, assistant, tool, function תנאים: התפקידים האלה מיוצגים במפורש בטיפוסי התאימות בקוד המקור; מערך התפקידים המדויק נשאר ייחודי לכל מודל. תלוי במודל | ברירת מחדל— |
שדהmessages[].content | סוגstring|content_part[]|null | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהmessages[].tool_calls | סוגtool_call[] | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהmessages[].tool_call_id | סוגstring | דרישהרשות | ערכים ומגבלות חל כאשר: role=tool; השתמשו במזהה שהוחזר בפועל | ברירת מחדל— |
שדהmessages[].name | סוגstring | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהmessages[].reasoning_content | סוגstring | דרישהרשות | ערכים ומגבלות חל כאשר: החזירו בהמשך את ההנמקה שהתקבלה בפועל כאשר המודל הזה משתמש בה | ברירת מחדל— |
שדהmessages[].reasoning_details | סוגobject|array | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהmax_tokens | סוגinteger | דרישהרשות | ערכים ומגבלות מינימום: 1 תלוי במודל | ברירת מחדל— |
שדהmax_completion_tokens | סוגinteger | דרישהרשות | ערכים ומגבלות מינימום: 1 תלוי במודל | ברירת מחדל— |
שדהstream | סוגboolean | דרישהרשות | ערכים ומגבלות | ברירת מחדלfalse |
שדהstream_options.include_usage | סוגboolean | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהtemperature | סוגnumber | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהtop_p | סוגnumber | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהstop | סוגstring|string[] | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהtools | סוגfunction_tool[] | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהtools[].type | סוגstring | דרישהרשות | ערכים ומגבלות function תלוי במודל | ברירת מחדל— |
שדהtools[].function.name | סוגstring | דרישהחובה | ערכים ומגבלות חל כאשר: סופק כלי פונקציה | ברירת מחדל— |
שדהtools[].function.description | סוגstring | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהtools[].function.parameters | סוגJSON_schema | דרישהרשות | ערכים ומגבלות | ברירת מחדל— |
שדהtool_choice | סוגstring|object | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהparallel_tool_calls | סוגboolean | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהresponse_format | סוגobject | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהreasoning_effort | סוגstring | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהreasoning | סוגobject | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהservice_tier | סוגstring | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהinstructions | סוגstring | דרישהרשות | ערכים ומגבלות שדה תאימות | ברירת מחדל— |
שדהfunctions | סוגfunction[] | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהfunction_call | סוגstring|object | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהprompt_cache_options | סוגobject | דרישהרשות | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהmodalities | סוגstring[] | דרישהרשות | ערכים ומגבלות text | ברירת מחדל— |
שדהprovider | סוגobject | דרישהרשות | ערכים ומגבלות תנאים: provider.options נדחה במסלול הטקסט הזה של Ultra | ברירת מחדל— |
שדהcache_control.ttl | סוגstring | דרישהרשות | ערכים ומגבלות תנאים: 1h נדחה במיקומים המשמשים בפועל למטמון הנחיות | ברירת מחדל— |
טקסט · טקסט UTF8
messages[].content
| פרמטר | מפרט |
|---|---|
פרמטרcontent_type | מפרטapplication/json |
פרמטרrequired | מפרטmodel, messages |
פרמטרmaterial_types | מפרטtext |
פרמטרmessages | מפרטמערך הודעות במבנה role/content |
פרמטרfile_material | מפרטמסמך UTF-8 בפועל מוכנס כטקסט מילולי; לא מוסק מזהה קובץ |
פרמטרoptional_controls | מפרטstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
פרמטרcontrol_scope | מפרטייחודי למודל; כלי פונקציות של המשתמש שונים מכלים מתארחים |
פרמטרoutput_modalities | מפרטtext |
פרמטרhosted_operations | מפרטfalse |
פרמטרmultimodal_input_binding | מפרטnull |
מחזור חיים: synchronous_or_streamed
שלחו את מזהה המודל המדויק עם messages.
אורך ההקשר אינו תקרת פלט.
קובץ טקסט יכול לספק טקסט מילולי; קלטי תמונה/אודיו/אובייקט קובץ דורשים קישור מדויק.
מידע תעריפים אינו מוסיף אפשרויות לבקשה. הפרמטרים הנתמכים מפורטים בשיטה שנבחרה.
התאימו כל חיוב לתנאים המוצגים. השתמשו בתעריף אחד לכל קבוצה של תצורות חלופיות.
| תצורה | טבלת תעריפים | טוקנים בהקשר, יותר מ- | טוקנים בהקשר, עד וכולל | חיוב |
|---|---|---|---|---|
| תצורהתעריפי הבסיס לטוקנים | טבלת תעריפיםתעריף בסיס | טוקנים בהקשר, יותר מ-— | טוקנים בהקשר, עד וכוללללא גבול עליון | חיוב קלט · טוקני קלט $0.0009 / 1K טוקנים פלט · טוקני פלט $0.007 / 1K טוקנים קלט · קריאה מהמטמון — / 1K טוקנים קלט · כתיבה למטמון — / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
| תצורהרמת אורך בקשה 1 | טבלת תעריפים— | טוקנים בהקשר, יותר מ-0 | טוקנים בהקשר, עד וכוללללא גבול עליון | חיוב קלט · טוקני קלט $0.0009 / 1K טוקנים פלט · טוקני פלט $0.007 / 1K טוקנים קלט · קריאה מהמטמון — / 1K טוקנים קלט · כתיבה למטמון — / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
לפני הבקשה Ailoot משריינת סכום משוער. לאחר קבלת התוצאה היא מסדירה את החיוב הסופי לפי השימוש המדוד. הסדרת חיוב בהזרמה משתמשת ברשומת השימוש הסופית. איך פועלים שריון הסכום והסדרת החיוב →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-235b-a22b-thinking-2507", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3-235b-a22b-thinking-2507',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3-235b-a22b-thinking-2507',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson או SSE
שמרו כל תגובה מלאה, קובץ ומקטע תוכן שהוחזרו.
שמרו כל בחירה ואת התוכן, קריאות הכלים וההנמקה שלה. ב-SSE הרכיבו עדכונים לפי אינדקס הבחירה/הכלי ושמרו את סיבת הסיום הסופית ואת השימוש.
שמרו מזהי בקשות/תגובות וכותרות. לא מסופק URL כללי לאחזור משימת טקסט.
| שדה | סוג |
|---|---|
שדהchoices[].index | סוגinteger |
שדהchoices[].message.content | סוגstring|null |
שדהchoices[].message.tool_calls | סוגtool_call[] |
שדהchoices[].message.reasoning_content | סוגstring |
שדהchoices[].message.reasoning_details | סוגobject|array |
שדהchoices[].finish_reason | סוגstring|null |
שדהusage | סוגobject |
| תגובה | תנאי | השלב הבא |
|---|---|---|
תגובה400 · invalid_request_error | תנאישדות נדרשים, ייצוג חומר או ערך פרמטר שאינם תקינים | השלב הבאתקנו את השדות שצוינו לפני בקשת יצירה חדשה. |
Ailoot Ultra qwen/qwen3-235b-a22b-thinking-2507
השתמשו בנתיבי השיטות המוצגים למעלה.
qwen/qwen3-235b-a22b-thinking-2507Qwen3-235B-A22B-Thinking-2507 הוא מודל הטקסט של Qwen המיועד להסקה בלבד, למשימות תובעניות במתמטיקה, במדעים, בתכנות ובניתוח מסמכים ארוכים. ההקשר המקורי שלו, 262,144 טוקנים, וההסקה הממושכת מתאימים לבעיות שדורשות כמה צעדים הקשורים זה לזה.
התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.
Qwen3-235B-A22B-Thinking-2507 מפתח את ענף ההסקה של Qwen3 למשימות לוגיות, מתמטיות, מדעיות ותכנותיות מורכבות. Qwen מציין גם מילוי הוראות, שימוש בכלים, יצירת טקסט והבנת הקשר ארוך כתחומים שהשתפרו במהדורה זו. הוא מקבל שיחות טקסטואליות ויוצר טקסט. בקשה שימושית נותנת לו את הבעיה המלאה, את הראיות הרלוונטיות, את האילוצים ואת הצורה המדויקת של התוצר הסופי: הוכחה, תוכנית מימוש, תוכנית מתוקנת או החלטה הנתמכת במסמכים שסופקו.
המודל משתמש בארכיטקטורה של תערובת מומחים עם 235 מיליארד פרמטרים בסך הכול ו־22 מיליארד המופעלים לכל טוקן. ההקשר המקורי שלו הוא 262,144 טוקנים. מרחב זה שימושי לשילוב כמה מפרטים, קובצי מקור או קטעי מחקר קשורים בשיחה אחת, תוך השארת מקום להסקה של המודל ולתשובה הסופית שלו. סמנו מסמכים ובלוקי קוד, ציינו אילו מקורות מקבלים עדיפות והפנו לסעיפים החשובים. למשל, בקשה לניתוח תוכנה יכולה לספק את ההתנהגות הכושלת, את ההתנהגות הצפויה, את הפונקציות הרלוונטיות ואת האילוצים, ואז לבקש תיקון מוצע עם רשימת ההנחות בנפרד.
זו מהדורה לחשיבה בלבד. היא אינה עוברת למצב ללא חשיבה של מודל Qwen3 המקורי. תבנית הצ'אט הרשמית מתחילה את מקטע ההסקה אוטומטית, ולכן הפלט עשוי לכלול סימן סגירה </think> בלי סימן פתיחה בטקסט שנוצר. דוגמת היצרן מפרידה בין מקטע ההסקה הזה לבין התשובה הסופית. למשימה מתמטית, Qwen ממליץ לבקש הסקה צעד אחר צעד ותשובה סופית בתוך \\boxed{}. למשימת רב־ברירה, הוא מציע שדה תשובה המכיל רק את האות שנבחרה. הוראות אלה עוזרות להפוך את התוצאה לקלה יותר לקריאה או לעיבוד לאחר שההסקה הסתיימה.
הנחיות היצירה של Qwen ממליצות על temperature של 0.6, על top-p של 0.95, על top-k של 20 ועל min-p של 0. הן ממליצות על הקצאת פלט של 32,768 טוקנים לרוב השאילתות ומתארות הקצאה של 81,920 טוקנים לבעיות מתמטיקה ותכנות תובעניות במיוחד. אלה המלצות של היצרן ליצירה, ולא גבול תשובה מובטח ונפרד. הסקה ארוכה יותר דורשת מקום לפני התשובה הסופית: הקצאה קטנה מדי עלולה לסיים את התשובה לפני המסקנה המבוקשת. בסבבי שיחה מאוחרים יותר, ההנחיות הרשמיות שומרות את התשובה הסופית בהיסטוריה ומשמיטות את תוכן החשיבה הקודם.
לעבודה בסגנון סוכן, Qwen ממליץ על Qwen-Agent, המספק תבניות ומנתחים לקריאות לכלים. הדוגמאות שלו משלבות כלים מוגדרים, כגון אחזור מידע ומפרש קוד, בשיחה עם המודל. הכינו את תיאורי הכלים הזמינים, את תנאי העצירה של המשימה ואת התוצאה הנדרשת לפני שתבקשו ממנו לתכנן שימוש בכלים. בקשת מחקר מעשית יכולה לבקש איסוף ראיות מוגדרות, השוואת הסברים מתחרים והחזרת מסקנה עם ראיות המאורגנות לפי מקור. קריאות לכלים מתארות עבודה שהיישום יבצע; הטקסט של המודל לבדו אינו הפעולה החיצונית או תוצאתה.
כרטיס המודל הרשמי מתאר גם הרחבת הקשר אופציונלית לכמיליון טוקנים באמצעות תצורה נפרדת, Dual Chunk Attention וקשב דליל. היא נפרדת מהחלון המקורי של 262,144 טוקנים ותלויה במימוש שנקבע ובמשאבי זיכרון משמעותיים. היצרן מזהיר שמגבלות הקשר וזיכרון עשויות לחייב רצפים קצרים יותר. לעבודה רגילה עם מסמכים ארוכים, ארגנו את הקלט סביב השאלה בפועל, שמרו על גבולות המסמכים ובקשו סיכום סופי תמציתי המזהה ראיות שנותרו בלתי מוכרעות. כך התוצאה השימושית נשארת נפרדת מתהליך ההסקה, שעשוי להיות ממושך.
POST /v1/messagestextjson, sse| שדה | סוג | דרישה | ערכים ומגבלות | ברירת מחדל |
|---|---|---|---|---|
שדהmodel | סוגstring | דרישהחובה | ערכים ומגבלות qwen/qwen3-235b-a22b-thinking-2507 | ברירת מחדל— |
שדהmessages | סוגmessage[] | דרישהחובה | ערכים ומגבלות | ברירת מחדל— |
שדהmessages[].role | סוגstring | דרישהחובה | ערכים ומגבלות user, assistant | ברירת מחדל— |
שדהmessages[].content | סוגstring | דרישהחובה | ערכים ומגבלות | ברירת מחדל— |
שדהmax_tokens | סוגinteger | דרישהחובה | ערכים ומגבלות | ברירת מחדל— |
שדהstream | סוגboolean | דרישהרשות | ערכים ומגבלות | ברירת מחדלfalse |
טקסט · טקסט UTF-8
מחרוזת messages[].content
| פרמטר | מפרט |
|---|---|
פרמטרcontent_type | מפרטapplication/json |
פרמטרrequired | מפרטmodel, messages, max_tokens |
פרמטרoptional_controls | מפרטstream |
פרמטרmaterial_types | מפרטtext |
פרמטרtext_file_material | מפרטקראו את מסמך UTF-8 בפועל והכניסו את הטקסט שלו לקלט שצוין או למחרוזת תוכן ההודעה. |
מחזור חיים: synchronous_or_streamed
מידע תעריפים אינו מוסיף אפשרויות לבקשה. הפרמטרים הנתמכים מפורטים בשיטה שנבחרה.
התאימו כל חיוב לתנאים המוצגים. השתמשו בתעריף אחד לכל קבוצה של תצורות חלופיות.
| תצורה | טבלת תעריפים | טוקנים בהקשר, יותר מ- | טוקנים בהקשר, עד וכולל | חיוב |
|---|---|---|---|---|
| תצורהתעריפי הבסיס לטוקנים | טבלת תעריפיםתעריף בסיס | טוקנים בהקשר, יותר מ-— | טוקנים בהקשר, עד וכוללללא גבול עליון | חיוב קלט · טוקני קלט $0.0009 / 1K טוקנים פלט · טוקני פלט $0.007 / 1K טוקנים קלט · קריאה מהמטמון — / 1K טוקנים קלט · כתיבה למטמון — / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
| תצורהרמת אורך בקשה 1 | טבלת תעריפים— | טוקנים בהקשר, יותר מ-0 | טוקנים בהקשר, עד וכוללללא גבול עליון | חיוב קלט · טוקני קלט $0.0009 / 1K טוקנים פלט · טוקני פלט $0.007 / 1K טוקנים קלט · קריאה מהמטמון — / 1K טוקנים קלט · כתיבה למטמון — / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
לפני הבקשה Ailoot משריינת סכום משוער. לאחר קבלת התוצאה היא מסדירה את החיוב הסופי לפי השימוש המדוד. הסדרת חיוב בהזרמה משתמשת ברשומת השימוש הסופית. איך פועלים שריון הסכום והסדרת החיוב →
{\n "model": "qwen/qwen3-235b-a22b-thinking-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-235b-a22b-thinking-2507', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-235b-a22b-thinking-2507', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON או SSE
שמרו כל תגובה מלאה, קובץ ומקטע תוכן שהוחזרו.
שמרו את כל בלוקי התוכן, חתימות החשיבה ומזהי השימוש בכלים בפועל. הרכיבו את כל עדכוני הבלוקים של SSE; בלוק הטקסט הראשון אינו הפלט המלא.
שמרו מזהי בקשות/תגובות וכותרות. לא מסופק URL כללי לאחזור משימת טקסט.
| שדה | סוג |
|---|---|
שדהid | סוגstring |
שדהmodel | סוגstring |
שדהcontent[] | סוגtext|thinking|tool_use|other content block |
שדהstop_reason | סוגstring|null |
שדהusage | סוגobject |
| תגובה | תנאי | השלב הבא |
|---|---|---|
תגובה400 · invalid_request_error | תנאישדות נדרשים, ייצוג חומר או ערך פרמטר שאינם תקינים | השלב הבאתקנו את השדות שצוינו לפני בקשת יצירה חדשה. |
Ailoot Ultra qwen/qwen3-235b-a22b-thinking-2507
השתמשו בנתיבי השיטות המוצגים למעלה.
דוגמה טכנית באנגלית
Check a constrained allocation\n\nAllocate 17 identical work units to two teams. Team A must receive at least 6 and an even number; Team B must receive at least 5. Minimize the difference between team totals. List the valid allocations nearest equality, select the best and explain why no smaller difference is possible under the parity rule.A compact allocation analysis with feasible candidates, selected totals and a checkable optimality argument.Verify the totals sum to 17, A is even, both minimums hold and the comparison includes both sides of equality.