עיקרי הדברים: גרסת Thinking-2507 הקבועה
Qwen3-30B-A3B-Thinking-2507 הוא מודל ליצירת טקסט המתמקד בהסקה מורכבת. Qwen מתארת שיפורים בלוגיקה, במתמטיקה, במדע, בתכנות, במילוי הוראות, בשימוש בכלים וביצירת טקסט, לצד רצפי חשיבה ארוכים יותר והבנה משופרת של הקשר ארוך. בחרו בגרסת 2507 המסוימת הזאת כאשר המשימה מפיקה תועלת מהסקה ממושכת, כגון בחינת הסברים מתחרים, פתרון בעיה מתמטית רב-שלבית או עיבוד שינוי מורכב בקוד.
סקירת המודל ומצב הפעולה
למודל תערובת המומחים יש 30.5 מיליארד פרמטרים בסך הכול ו-3.3 מיליארד פרמטרים פעילים, עם 128 מומחים ושמונה שנבחרים לכל טוקן, לאורך 48 שכבות. ההקשר המובנה שלו הוא 262,144 טוקנים. הוא מקבל טקסט ומחזיר טקסט; תוצאות כלים מסופקות דרך תהליך עבודה של יישום מחובר. גרסת משקלים זו תומכת בחשיבה בלבד. היא נפרדת מ-Qwen3-30B-A3B ההיברידי המוקדם יותר, מגרסת ה-FP8 שלו ומ-Qwen3-30B-A3B-Instruct-2507. אין להניח שמתג ביטול החשיבה של המודל ההיברידי חל כאן.
תבנית הצ'אט המוגדרת כברירת מחדל כבר מתחילה את רצף ההסקה בסמן פתיחת חשיבה, ולכן אין צורך בהגדרה מפורשת enable_thinking=True. רצף שמוחזר עשוי להכיל את סמן הסגירה בלי לחזור על סמן הפתיחה. דוגמת היצרן מפרידה בין ההסקה לתשובה הסופית. שמרו על ההפרדה הזאת כשאתם מבקשים תוצר קונקרטי: מסקנת הוכחה, תיקון קוד או טבלת החלטה צריכים להישאר קלים לאיתור אחרי ההסבר הארוך יותר.
הכנת משימה קשה
ספקו למודל את נוסח הבעיה המלא, את האילוצים ואת הראיות הרלוונטיות. לשינוי קוד, כללו את הפונקציה הקיימת, קלט שנכשל וההתנהגות הצפויה, ואז בקשו תיקון מוצע עם הסבר למקרי קצה. לשאלה מדעית, הפרידו בין תצפיות להנחות ובקשו לציין איזו מסקנה נובעת מכל אחת. למסמך מדיניות או מפרט ארוך, שמרו מזהי סעיפים ובקשו החלטה תמציתית הנתמכת בסעיפים הרלוונטיים. אלו שימושים מעשיים בתחומי ההסקה המתועדים, ולא טענות שהמודל ביצע תיקון קוד או אימת ניסוי.
מכיוון שגרסה זו יכולה להסיק לאורך זמן, הקצו מקום גם להסקה וגם לתוצר הסופי. Qwen ממליצה לשמור, ככל האפשר, על הקשר מעל 131,072 טוקנים בעת הגדרת המודל, גם אם הקשר קטן יותר יקל את לחץ הזיכרון. נתון ההקשר המובנה כולל את תקציב הרצף; אין זו הבטחה שאפשר להשתמש בכולו למסמך ולהותיר מקום בלתי מוגבל לתשובה.
שימוש כסוכן
היצרן מתעד קריאה לכלים וממליץ על Qwen-Agent לתבניות כלים ולפענוחן, לרבות שילוב עם כלים מוגדרים ותהליכים עם מפרש קוד. הגדירו במפורש את הכלים ואת התוצאה המיועדת. למשל, יישום יכול לאפשר למודל לבחון ראיות שאוחזרו, להשתמש במחשבון מורשה ואז להפיק דוח המסביר את החישוב. האחזור והביצוע שייכים לכלים המחוברים; יכולת הקריאה לכלים של המודל אינה מקנה כשלעצמה גישה לאינטרנט, לסביבת קוד או למערכות עסקיות.
עיבוד טקסט ארוך במיוחד
Qwen מתעדת תהליך אופציונלי המגיע לכמיליון טוקנים באמצעות שילוב Dual Chunk Attention עם מנגנון הקשב הדליל MInference. השיטה הראשונה מחלקת רצפים ארוכים למקטעים תוך שימור יחסי הגומלין ביניהם; השנייה ממקדת את החישוב בקשרי קשב נבחרים. זהו נתיב תצורה נוסף, מעבר להקשר המובנה של 262,144 טוקנים. מתכון היצרן מחייב תצורה ייעודית להקשר ארוך ומעריך צורך בכ-240 GB של זיכרון GPU כולל למשקלים, למצב הקשב שבמטמון ולשיא האקטיבציות.
למתכון הזה יש מגבלות משאבים מוחשיות: מצב הרצף שבמטמון, זיכרון האקטיבציות ואורך הקלט הכולל עלולים, כל אחד מהם, למצות את הקיבולת שהוגדרה. לכן תהליך של מיליון טוקנים תלוי בתצורה, בזיכרון ובמימוש הקשב הנתמך. לסקירת מסמכים מעשית, התחילו בחומר הרלוונטי, סמנו גבולות בין מסמכים ובקשו ראיות הניתנות למעקב, במקום לראות בקלט הגדול ביותר תחליף לשאלה ברורה.
הנחיות יצירה ומגבלות
Qwen ממליצה על temperature 0.6, top_p 0.95, top_k 20 ו-min_p 0. היא מציעה תקציב פלט של 32,768 טוקנים לרוב השאלות ו-81,920 לבעיות מתמטיקה או תכנות קשות במיוחד. אלו המלצות לתקציב היצירה, ולא תקרת פלט קשיחה שפורסמה בנפרד. קנס נוכחות בין אפס לשתיים יכול להפחית חזרתיות, אך ערכים גבוהים יותר עלולים לערבב שפות או לפגוע מעט באיכות.
ציינו בפרומפט את פורמט התשובה הסופית, כגון תוצאה מתמטית תחומה בסמנים או שדה תשובה לשאלת רב-ברירה. בהתאם להמלצת היצרן, שמרו בהיסטוריית השיחה רק את חלק התשובה הסופית. הסקה ארוכה יותר מועילה כשהיא מפיקה תוצאה שאפשר לבדוק; בחנו הנחות, חישובים וקוד מוצע לפני שתסתמכו על התוצאה.
", "aboutText": "עיקרי הדברים: גרסת Thinking-2507 הקבועה\n\nQwen3-30B-A3B-Thinking-2507 הוא מודל ליצירת טקסט המתמקד בהסקה מורכבת. Qwen מתארת שיפורים בלוגיקה, במתמטיקה, במדע, בתכנות, במילוי הוראות, בשימוש בכלים וביצירת טקסט, לצד רצפי חשיבה ארוכים יותר והבנה משופרת של הקשר ארוך. בחרו בגרסת 2507 המסוימת הזאת כאשר המשימה מפיקה תועלת מהסקה ממושכת, כגון בחינת הסברים מתחרים, פתרון בעיה מתמטית רב-שלבית או עיבוד שינוי מורכב בקוד.\n\nסקירת המודל ומצב הפעולה\n\nלמודל תערובת המומחים יש 30.5 מיליארד פרמטרים בסך הכול ו-3.3 מיליארד פרמטרים פעילים, עם 128 מומחים ושמונה שנבחרים לכל טוקן, לאורך 48 שכבות. ההקשר המובנה שלו הוא 262,144 טוקנים. הוא מקבל טקסט ומחזיר טקסט; תוצאות כלים מסופקות דרך תהליך עבודה של יישום מחובר. גרסת משקלים זו תומכת בחשיבה בלבד. היא נפרדת מ-Qwen3-30B-A3B ההיברידי המוקדם יותר, מגרסת ה-FP8 שלו ומ-Qwen3-30B-A3B-Instruct-2507. אין להניח שמתג ביטול החשיבה של המודל ההיברידי חל כאן.\n\nתבנית הצ'אט המוגדרת כברירת מחדל כבר מתחילה את רצף ההסקה בסמן פתיחת חשיבה, ולכן אין צורך בהגדרה מפורשת enable_thinking=True. רצף שמוחזר עשוי להכיל את סמן הסגירה בלי לחזור על סמן הפתיחה. דוגמת היצרן מפרידה בין ההסקה לתשובה הסופית. שמרו על ההפרדה הזאת כשאתם מבקשים תוצר קונקרטי: מסקנת הוכחה, תיקון קוד או טבלת החלטה צריכים להישאר קלים לאיתור אחרי ההסבר הארוך יותר.\n\nהכנת משימה קשה\n\nספקו למודל את נוסח הבעיה המלא, את האילוצים ואת הראיות הרלוונטיות. לשינוי קוד, כללו את הפונקציה הקיימת, קלט שנכשל וההתנהגות הצפויה, ואז בקשו תיקון מוצע עם הסבר למקרי קצה. לשאלה מדעית, הפרידו בין תצפיות להנחות ובקשו לציין איזו מסקנה נובעת מכל אחת. למסמך מדיניות או מפרט ארוך, שמרו מזהי סעיפים ובקשו החלטה תמציתית הנתמכת בסעיפים הרלוונטיים. אלו שימושים מעשיים בתחומי ההסקה המתועדים, ולא טענות שהמודל ביצע תיקון קוד או אימת ניסוי.\n\nמכיוון שגרסה זו יכולה להסיק לאורך זמן, הקצו מקום גם להסקה וגם לתוצר הסופי. Qwen ממליצה לשמור, ככל האפשר, על הקשר מעל 131,072 טוקנים בעת הגדרת המודל, גם אם הקשר קטן יותר יקל את לחץ הזיכרון. נתון ההקשר המובנה כולל את תקציב הרצף; אין זו הבטחה שאפשר להשתמש בכולו למסמך ולהותיר מקום בלתי מוגבל לתשובה.\n\nשימוש כסוכן\n\nהיצרן מתעד קריאה לכלים וממליץ על Qwen-Agent לתבניות כלים ולפענוחן, לרבות שילוב עם כלים מוגדרים ותהליכים עם מפרש קוד. הגדירו במפורש את הכלים ואת התוצאה המיועדת. למשל, יישום יכול לאפשר למודל לבחון ראיות שאוחזרו, להשתמש במחשבון מורשה ואז להפיק דוח המסביר את החישוב. האחזור והביצוע שייכים לכלים המחוברים; יכולת הקריאה לכלים של המודל אינה מקנה כשלעצמה גישה לאינטרנט, לסביבת קוד או למערכות עסקיות.\n\nעיבוד טקסט ארוך במיוחד\n\nQwen מתעדת תהליך אופציונלי המגיע לכמיליון טוקנים באמצעות שילוב Dual Chunk Attention עם מנגנון הקשב הדליל MInference. השיטה הראשונה מחלקת רצפים ארוכים למקטעים תוך שימור יחסי הגומלין ביניהם; השנייה ממקדת את החישוב בקשרי קשב נבחרים. זהו נתיב תצורה נוסף, מעבר להקשר המובנה של 262,144 טוקנים. מתכון היצרן מחייב תצורה ייעודית להקשר ארוך ומעריך צורך בכ-240 GB של זיכרון GPU כולל למשקלים, למצב הקשב שבמטמון ולשיא האקטיבציות.\n\nלמתכון הזה יש מגבלות משאבים מוחשיות: מצב הרצף שבמטמון, זיכרון האקטיבציות ואורך הקלט הכולל עלולים, כל אחד מהם, למצות את הקיבולת שהוגדרה. לכן תהליך של מיליון טוקנים תלוי בתצורה, בזיכרון ובמימוש הקשב הנתמך. לסקירת מסמכים מעשית, התחילו בחומר הרלוונטי, סמנו גבולות בין מסמכים ובקשו ראיות הניתנות למעקב, במקום לראות בקלט הגדול ביותר תחליף לשאלה ברורה.\n\nהנחיות יצירה ומגבלות\n\nQwen ממליצה על temperature 0.6, top_p 0.95, top_k 20 ו-min_p 0. היא מציעה תקציב פלט של 32,768 טוקנים לרוב השאלות ו-81,920 לבעיות מתמטיקה או תכנות קשות במיוחד. אלו המלצות לתקציב היצירה, ולא תקרת פלט קשיחה שפורסמה בנפרד. קנס נוכחות בין אפס לשתיים יכול להפחית חזרתיות, אך ערכים גבוהים יותר עלולים לערבב שפות או לפגוע מעט באיכות.\n\nציינו בפרומפט את פורמט התשובה הסופית, כגון תוצאה מתמטית תחומה בסמנים או שדה תשובה לשאלת רב-ברירה. בהתאם להמלצת היצרן, שמרו בהיסטוריית השיחה רק את חלק התשובה הסופית. הסקה ארוכה יותר מועילה כשהיא מפיקה תוצאה שאפשר לבדוק; בחנו הנחות, חישובים וקוד מוצע לפני שתסתמכו על התוצאה.", "editorialOverlay": { "copy_fields": { "practical_html": "דוגמה טכנית באנגלית
Solve a constrained staffing assignment\n\nAssign three reviewers, Ada, Ben and Cy, to morning, afternoon and evening shifts, one each. Ada cannot work evening. Ben must work later than Ada. Cy cannot work morning. List every valid assignment and explain how each constraint eliminates alternatives. Finish with whether the assignment is unique; do not assume additional availability.An enumeration of all valid assignments, a constraint check and a separate uniqueness conclusion.Every assignment uses all three shifts once and satisfies Ben later than Ada without adding availability rules.Qwen/Qwen3-30B-A3B-Thinking-2507Qwen3-30B-A3B-Thinking-2507 הוא מודל הטקסט של Qwen הפועל במצב חשיבה בלבד, למשימות תובעניות במתמטיקה, במדע, בתכנות ובהסקה לוגית. גרסת 2507 קבועה זו מספקת הקשר מובנה של 262,144 טוקנים ותקציב הסקה ממושך יותר, עם תהליכים מתועדים לקריאה לכלים ולהקשר ארוך במיוחד בתנאים מוגדרים.
התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.
עיקרי הדברים: גרסת Thinking-2507 הקבועה
Qwen3-30B-A3B-Thinking-2507 הוא מודל ליצירת טקסט המתמקד בהסקה מורכבת. Qwen מתארת שיפורים בלוגיקה, במתמטיקה, במדע, בתכנות, במילוי הוראות, בשימוש בכלים וביצירת טקסט, לצד רצפי חשיבה ארוכים יותר והבנה משופרת של הקשר ארוך. בחרו בגרסת 2507 המסוימת הזאת כאשר המשימה מפיקה תועלת מהסקה ממושכת, כגון בחינת הסברים מתחרים, פתרון בעיה מתמטית רב-שלבית או עיבוד שינוי מורכב בקוד.
סקירת המודל ומצב הפעולה
למודל תערובת המומחים יש 30.5 מיליארד פרמטרים בסך הכול ו-3.3 מיליארד פרמטרים פעילים, עם 128 מומחים ושמונה שנבחרים לכל טוקן, לאורך 48 שכבות. ההקשר המובנה שלו הוא 262,144 טוקנים. הוא מקבל טקסט ומחזיר טקסט; תוצאות כלים מסופקות דרך תהליך עבודה של יישום מחובר. גרסת משקלים זו תומכת בחשיבה בלבד. היא נפרדת מ-Qwen3-30B-A3B ההיברידי המוקדם יותר, מגרסת ה-FP8 שלו ומ-Qwen3-30B-A3B-Instruct-2507. אין להניח שמתג ביטול החשיבה של המודל ההיברידי חל כאן.
תבנית הצ'אט המוגדרת כברירת מחדל כבר מתחילה את רצף ההסקה בסמן פתיחת חשיבה, ולכן אין צורך בהגדרה מפורשת enable_thinking=True. רצף שמוחזר עשוי להכיל את סמן הסגירה בלי לחזור על סמן הפתיחה. דוגמת היצרן מפרידה בין ההסקה לתשובה הסופית. שמרו על ההפרדה הזאת כשאתם מבקשים תוצר קונקרטי: מסקנת הוכחה, תיקון קוד או טבלת החלטה צריכים להישאר קלים לאיתור אחרי ההסבר הארוך יותר.
הכנת משימה קשה
ספקו למודל את נוסח הבעיה המלא, את האילוצים ואת הראיות הרלוונטיות. לשינוי קוד, כללו את הפונקציה הקיימת, קלט שנכשל וההתנהגות הצפויה, ואז בקשו תיקון מוצע עם הסבר למקרי קצה. לשאלה מדעית, הפרידו בין תצפיות להנחות ובקשו לציין איזו מסקנה נובעת מכל אחת. למסמך מדיניות או מפרט ארוך, שמרו מזהי סעיפים ובקשו החלטה תמציתית הנתמכת בסעיפים הרלוונטיים. אלו שימושים מעשיים בתחומי ההסקה המתועדים, ולא טענות שהמודל ביצע תיקון קוד או אימת ניסוי.
מכיוון שגרסה זו יכולה להסיק לאורך זמן, הקצו מקום גם להסקה וגם לתוצר הסופי. Qwen ממליצה לשמור, ככל האפשר, על הקשר מעל 131,072 טוקנים בעת הגדרת המודל, גם אם הקשר קטן יותר יקל את לחץ הזיכרון. נתון ההקשר המובנה כולל את תקציב הרצף; אין זו הבטחה שאפשר להשתמש בכולו למסמך ולהותיר מקום בלתי מוגבל לתשובה.
שימוש כסוכן
היצרן מתעד קריאה לכלים וממליץ על Qwen-Agent לתבניות כלים ולפענוחן, לרבות שילוב עם כלים מוגדרים ותהליכים עם מפרש קוד. הגדירו במפורש את הכלים ואת התוצאה המיועדת. למשל, יישום יכול לאפשר למודל לבחון ראיות שאוחזרו, להשתמש במחשבון מורשה ואז להפיק דוח המסביר את החישוב. האחזור והביצוע שייכים לכלים המחוברים; יכולת הקריאה לכלים של המודל אינה מקנה כשלעצמה גישה לאינטרנט, לסביבת קוד או למערכות עסקיות.
עיבוד טקסט ארוך במיוחד
Qwen מתעדת תהליך אופציונלי המגיע לכמיליון טוקנים באמצעות שילוב Dual Chunk Attention עם מנגנון הקשב הדליל MInference. השיטה הראשונה מחלקת רצפים ארוכים למקטעים תוך שימור יחסי הגומלין ביניהם; השנייה ממקדת את החישוב בקשרי קשב נבחרים. זהו נתיב תצורה נוסף, מעבר להקשר המובנה של 262,144 טוקנים. מתכון היצרן מחייב תצורה ייעודית להקשר ארוך ומעריך צורך בכ-240 GB של זיכרון GPU כולל למשקלים, למצב הקשב שבמטמון ולשיא האקטיבציות.
למתכון הזה יש מגבלות משאבים מוחשיות: מצב הרצף שבמטמון, זיכרון האקטיבציות ואורך הקלט הכולל עלולים, כל אחד מהם, למצות את הקיבולת שהוגדרה. לכן תהליך של מיליון טוקנים תלוי בתצורה, בזיכרון ובמימוש הקשב הנתמך. לסקירת מסמכים מעשית, התחילו בחומר הרלוונטי, סמנו גבולות בין מסמכים ובקשו ראיות הניתנות למעקב, במקום לראות בקלט הגדול ביותר תחליף לשאלה ברורה.
הנחיות יצירה ומגבלות
Qwen ממליצה על temperature 0.6, top_p 0.95, top_k 20 ו-min_p 0. היא מציעה תקציב פלט של 32,768 טוקנים לרוב השאלות ו-81,920 לבעיות מתמטיקה או תכנות קשות במיוחד. אלו המלצות לתקציב היצירה, ולא תקרת פלט קשיחה שפורסמה בנפרד. קנס נוכחות בין אפס לשתיים יכול להפחית חזרתיות, אך ערכים גבוהים יותר עלולים לערבב שפות או לפגוע מעט באיכות.
ציינו בפרומפט את פורמט התשובה הסופית, כגון תוצאה מתמטית תחומה בסמנים או שדה תשובה לשאלת רב-ברירה. בהתאם להמלצת היצרן, שמרו בהיסטוריית השיחה רק את חלק התשובה הסופית. הסקה ארוכה יותר מועילה כשהיא מפיקה תוצאה שאפשר לבדוק; בחנו הנחות, חישובים וקוד מוצע לפני שתסתמכו על התוצאה.
POST /v1/chat/completionstexttext| שדה | סוג | דרישה | ערכים ומגבלות | ברירת מחדל |
|---|---|---|---|---|
שדהmodel | סוגstring | דרישהחובה | ערכים ומגבלות Qwen/Qwen3-30B-A3B-Thinking-2507 | ברירת מחדל— |
שדהmessages | סוגmessage[] | דרישהחובה | ערכים ומגבלות מספר פריטים מזערי: 1 | ברירת מחדל— |
שדהmessages[].role | סוגstring | דרישהחובה | ערכים ומגבלות תלוי במודל | ברירת מחדל— |
שדהmessages[].content | סוגstring | דרישהרשות | ערכים ומגבלות חל כאשר: שיחת טקסט | ברירת מחדל— |
שדהstream | סוגboolean | דרישהרשות | ערכים ומגבלות | ברירת מחדלfalse |
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 |
פרמטרcontrol_scope | מפרטשיחת טקסט; stream הוא ערך בוליאני וברירת המחדל שלו היא false. |
פרמטרoutput_modalities | מפרטtext |
פרמטרhosted_operations | מפרטfalse |
פרמטרmultimodal_input_binding | מפרטnull |
כינויים לשיטה: /chat/completions
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.
| תצורה | טבלת תעריפים | חיוב |
|---|---|---|
| תצורהתעריפי הבסיס לטוקנים | טבלת תעריפיםתעריף בסיס | חיוב קלט · טוקני קלט $0.0002 / 1K טוקנים פלט · טוקני פלט $0.0008 / 1K טוקנים קלט · קריאה מהמטמון $0 / 1K טוקנים קלט · כתיבה למטמון $0 / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
לפני הבקשה Ailoot משריינת סכום משוער. לאחר קבלת התוצאה היא מסדירה את החיוב הסופי לפי השימוש המדוד. הסדרת חיוב בהזרמה משתמשת ברשומת השימוש הסופית. איך פועלים שריון הסכום והסדרת החיוב →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"Qwen/Qwen3-30B-A3B-Thinking-2507","messages":[{"role":"user","content":"hello"}],"stream":false}')\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/Qwen3-30B-A3B-Thinking-2507", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
Qwen/Qwen3-30B-A3B-Thinking-2507Qwen3-30B-A3B-Thinking-2507 הוא מודל הטקסט של Qwen הפועל במצב חשיבה בלבד, למשימות תובעניות במתמטיקה, במדע, בתכנות ובהסקה לוגית. גרסת 2507 קבועה זו מספקת הקשר מובנה של 262,144 טוקנים ותקציב הסקה ממושך יותר, עם תהליכים מתועדים לקריאה לכלים ולהקשר ארוך במיוחד בתנאים מוגדרים.
התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.
עיקרי הדברים: גרסת Thinking-2507 הקבועה
Qwen3-30B-A3B-Thinking-2507 הוא מודל ליצירת טקסט המתמקד בהסקה מורכבת. Qwen מתארת שיפורים בלוגיקה, במתמטיקה, במדע, בתכנות, במילוי הוראות, בשימוש בכלים וביצירת טקסט, לצד רצפי חשיבה ארוכים יותר והבנה משופרת של הקשר ארוך. בחרו בגרסת 2507 המסוימת הזאת כאשר המשימה מפיקה תועלת מהסקה ממושכת, כגון בחינת הסברים מתחרים, פתרון בעיה מתמטית רב-שלבית או עיבוד שינוי מורכב בקוד.
סקירת המודל ומצב הפעולה
למודל תערובת המומחים יש 30.5 מיליארד פרמטרים בסך הכול ו-3.3 מיליארד פרמטרים פעילים, עם 128 מומחים ושמונה שנבחרים לכל טוקן, לאורך 48 שכבות. ההקשר המובנה שלו הוא 262,144 טוקנים. הוא מקבל טקסט ומחזיר טקסט; תוצאות כלים מסופקות דרך תהליך עבודה של יישום מחובר. גרסת משקלים זו תומכת בחשיבה בלבד. היא נפרדת מ-Qwen3-30B-A3B ההיברידי המוקדם יותר, מגרסת ה-FP8 שלו ומ-Qwen3-30B-A3B-Instruct-2507. אין להניח שמתג ביטול החשיבה של המודל ההיברידי חל כאן.
תבנית הצ'אט המוגדרת כברירת מחדל כבר מתחילה את רצף ההסקה בסמן פתיחת חשיבה, ולכן אין צורך בהגדרה מפורשת enable_thinking=True. רצף שמוחזר עשוי להכיל את סמן הסגירה בלי לחזור על סמן הפתיחה. דוגמת היצרן מפרידה בין ההסקה לתשובה הסופית. שמרו על ההפרדה הזאת כשאתם מבקשים תוצר קונקרטי: מסקנת הוכחה, תיקון קוד או טבלת החלטה צריכים להישאר קלים לאיתור אחרי ההסבר הארוך יותר.
הכנת משימה קשה
ספקו למודל את נוסח הבעיה המלא, את האילוצים ואת הראיות הרלוונטיות. לשינוי קוד, כללו את הפונקציה הקיימת, קלט שנכשל וההתנהגות הצפויה, ואז בקשו תיקון מוצע עם הסבר למקרי קצה. לשאלה מדעית, הפרידו בין תצפיות להנחות ובקשו לציין איזו מסקנה נובעת מכל אחת. למסמך מדיניות או מפרט ארוך, שמרו מזהי סעיפים ובקשו החלטה תמציתית הנתמכת בסעיפים הרלוונטיים. אלו שימושים מעשיים בתחומי ההסקה המתועדים, ולא טענות שהמודל ביצע תיקון קוד או אימת ניסוי.
מכיוון שגרסה זו יכולה להסיק לאורך זמן, הקצו מקום גם להסקה וגם לתוצר הסופי. Qwen ממליצה לשמור, ככל האפשר, על הקשר מעל 131,072 טוקנים בעת הגדרת המודל, גם אם הקשר קטן יותר יקל את לחץ הזיכרון. נתון ההקשר המובנה כולל את תקציב הרצף; אין זו הבטחה שאפשר להשתמש בכולו למסמך ולהותיר מקום בלתי מוגבל לתשובה.
שימוש כסוכן
היצרן מתעד קריאה לכלים וממליץ על Qwen-Agent לתבניות כלים ולפענוחן, לרבות שילוב עם כלים מוגדרים ותהליכים עם מפרש קוד. הגדירו במפורש את הכלים ואת התוצאה המיועדת. למשל, יישום יכול לאפשר למודל לבחון ראיות שאוחזרו, להשתמש במחשבון מורשה ואז להפיק דוח המסביר את החישוב. האחזור והביצוע שייכים לכלים המחוברים; יכולת הקריאה לכלים של המודל אינה מקנה כשלעצמה גישה לאינטרנט, לסביבת קוד או למערכות עסקיות.
עיבוד טקסט ארוך במיוחד
Qwen מתעדת תהליך אופציונלי המגיע לכמיליון טוקנים באמצעות שילוב Dual Chunk Attention עם מנגנון הקשב הדליל MInference. השיטה הראשונה מחלקת רצפים ארוכים למקטעים תוך שימור יחסי הגומלין ביניהם; השנייה ממקדת את החישוב בקשרי קשב נבחרים. זהו נתיב תצורה נוסף, מעבר להקשר המובנה של 262,144 טוקנים. מתכון היצרן מחייב תצורה ייעודית להקשר ארוך ומעריך צורך בכ-240 GB של זיכרון GPU כולל למשקלים, למצב הקשב שבמטמון ולשיא האקטיבציות.
למתכון הזה יש מגבלות משאבים מוחשיות: מצב הרצף שבמטמון, זיכרון האקטיבציות ואורך הקלט הכולל עלולים, כל אחד מהם, למצות את הקיבולת שהוגדרה. לכן תהליך של מיליון טוקנים תלוי בתצורה, בזיכרון ובמימוש הקשב הנתמך. לסקירת מסמכים מעשית, התחילו בחומר הרלוונטי, סמנו גבולות בין מסמכים ובקשו ראיות הניתנות למעקב, במקום לראות בקלט הגדול ביותר תחליף לשאלה ברורה.
הנחיות יצירה ומגבלות
Qwen ממליצה על temperature 0.6, top_p 0.95, top_k 20 ו-min_p 0. היא מציעה תקציב פלט של 32,768 טוקנים לרוב השאלות ו-81,920 לבעיות מתמטיקה או תכנות קשות במיוחד. אלו המלצות לתקציב היצירה, ולא תקרת פלט קשיחה שפורסמה בנפרד. קנס נוכחות בין אפס לשתיים יכול להפחית חזרתיות, אך ערכים גבוהים יותר עלולים לערבב שפות או לפגוע מעט באיכות.
ציינו בפרומפט את פורמט התשובה הסופית, כגון תוצאה מתמטית תחומה בסמנים או שדה תשובה לשאלת רב-ברירה. בהתאם להמלצת היצרן, שמרו בהיסטוריית השיחה רק את חלק התשובה הסופית. הסקה ארוכה יותר מועילה כשהיא מפיקה תוצאה שאפשר לבדוק; בחנו הנחות, חישובים וקוד מוצע לפני שתסתמכו על התוצאה.
POST /v1/messagestextjson, sse| שדה | סוג | דרישה | ערכים ומגבלות | ברירת מחדל |
|---|---|---|---|---|
שדהmodel | סוגstring | דרישהחובה | ערכים ומגבלות Qwen/Qwen3-30B-A3B-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.
| תצורה | טבלת תעריפים | חיוב |
|---|---|---|
| תצורהתעריפי הבסיס לטוקנים | טבלת תעריפיםתעריף בסיס | חיוב קלט · טוקני קלט $0.0002 / 1K טוקנים פלט · טוקני פלט $0.0008 / 1K טוקנים קלט · קריאה מהמטמון $0 / 1K טוקנים קלט · כתיבה למטמון $0 / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
לפני הבקשה Ailoot משריינת סכום משוער. לאחר קבלת התוצאה היא מסדירה את החיוב הסופי לפי השימוש המדוד. הסדרת חיוב בהזרמה משתמשת ברשומת השימוש הסופית. איך פועלים שריון הסכום והסדרת החיוב →
{\n "model": "Qwen/Qwen3-30B-A3B-Thinking-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/Qwen3-30B-A3B-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/Qwen3-30B-A3B-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/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
qwen3-30b-a3b-thinking-2507Qwen3-30B-A3B-Thinking-2507 הוא מודל הטקסט של Qwen הפועל במצב חשיבה בלבד, למשימות תובעניות במתמטיקה, במדע, בתכנות ובהסקה לוגית. גרסת 2507 קבועה זו מספקת הקשר מובנה של 262,144 טוקנים ותקציב הסקה ממושך יותר, עם תהליכים מתועדים לקריאה לכלים ולהקשר ארוך במיוחד בתנאים מוגדרים.
התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.
עיקרי הדברים: גרסת Thinking-2507 הקבועה
Qwen3-30B-A3B-Thinking-2507 הוא מודל ליצירת טקסט המתמקד בהסקה מורכבת. Qwen מתארת שיפורים בלוגיקה, במתמטיקה, במדע, בתכנות, במילוי הוראות, בשימוש בכלים וביצירת טקסט, לצד רצפי חשיבה ארוכים יותר והבנה משופרת של הקשר ארוך. בחרו בגרסת 2507 המסוימת הזאת כאשר המשימה מפיקה תועלת מהסקה ממושכת, כגון בחינת הסברים מתחרים, פתרון בעיה מתמטית רב-שלבית או עיבוד שינוי מורכב בקוד.
סקירת המודל ומצב הפעולה
למודל תערובת המומחים יש 30.5 מיליארד פרמטרים בסך הכול ו-3.3 מיליארד פרמטרים פעילים, עם 128 מומחים ושמונה שנבחרים לכל טוקן, לאורך 48 שכבות. ההקשר המובנה שלו הוא 262,144 טוקנים. הוא מקבל טקסט ומחזיר טקסט; תוצאות כלים מסופקות דרך תהליך עבודה של יישום מחובר. גרסת משקלים זו תומכת בחשיבה בלבד. היא נפרדת מ-Qwen3-30B-A3B ההיברידי המוקדם יותר, מגרסת ה-FP8 שלו ומ-Qwen3-30B-A3B-Instruct-2507. אין להניח שמתג ביטול החשיבה של המודל ההיברידי חל כאן.
תבנית הצ'אט המוגדרת כברירת מחדל כבר מתחילה את רצף ההסקה בסמן פתיחת חשיבה, ולכן אין צורך בהגדרה מפורשת enable_thinking=True. רצף שמוחזר עשוי להכיל את סמן הסגירה בלי לחזור על סמן הפתיחה. דוגמת היצרן מפרידה בין ההסקה לתשובה הסופית. שמרו על ההפרדה הזאת כשאתם מבקשים תוצר קונקרטי: מסקנת הוכחה, תיקון קוד או טבלת החלטה צריכים להישאר קלים לאיתור אחרי ההסבר הארוך יותר.
הכנת משימה קשה
ספקו למודל את נוסח הבעיה המלא, את האילוצים ואת הראיות הרלוונטיות. לשינוי קוד, כללו את הפונקציה הקיימת, קלט שנכשל וההתנהגות הצפויה, ואז בקשו תיקון מוצע עם הסבר למקרי קצה. לשאלה מדעית, הפרידו בין תצפיות להנחות ובקשו לציין איזו מסקנה נובעת מכל אחת. למסמך מדיניות או מפרט ארוך, שמרו מזהי סעיפים ובקשו החלטה תמציתית הנתמכת בסעיפים הרלוונטיים. אלו שימושים מעשיים בתחומי ההסקה המתועדים, ולא טענות שהמודל ביצע תיקון קוד או אימת ניסוי.
מכיוון שגרסה זו יכולה להסיק לאורך זמן, הקצו מקום גם להסקה וגם לתוצר הסופי. Qwen ממליצה לשמור, ככל האפשר, על הקשר מעל 131,072 טוקנים בעת הגדרת המודל, גם אם הקשר קטן יותר יקל את לחץ הזיכרון. נתון ההקשר המובנה כולל את תקציב הרצף; אין זו הבטחה שאפשר להשתמש בכולו למסמך ולהותיר מקום בלתי מוגבל לתשובה.
שימוש כסוכן
היצרן מתעד קריאה לכלים וממליץ על Qwen-Agent לתבניות כלים ולפענוחן, לרבות שילוב עם כלים מוגדרים ותהליכים עם מפרש קוד. הגדירו במפורש את הכלים ואת התוצאה המיועדת. למשל, יישום יכול לאפשר למודל לבחון ראיות שאוחזרו, להשתמש במחשבון מורשה ואז להפיק דוח המסביר את החישוב. האחזור והביצוע שייכים לכלים המחוברים; יכולת הקריאה לכלים של המודל אינה מקנה כשלעצמה גישה לאינטרנט, לסביבת קוד או למערכות עסקיות.
עיבוד טקסט ארוך במיוחד
Qwen מתעדת תהליך אופציונלי המגיע לכמיליון טוקנים באמצעות שילוב Dual Chunk Attention עם מנגנון הקשב הדליל MInference. השיטה הראשונה מחלקת רצפים ארוכים למקטעים תוך שימור יחסי הגומלין ביניהם; השנייה ממקדת את החישוב בקשרי קשב נבחרים. זהו נתיב תצורה נוסף, מעבר להקשר המובנה של 262,144 טוקנים. מתכון היצרן מחייב תצורה ייעודית להקשר ארוך ומעריך צורך בכ-240 GB של זיכרון GPU כולל למשקלים, למצב הקשב שבמטמון ולשיא האקטיבציות.
למתכון הזה יש מגבלות משאבים מוחשיות: מצב הרצף שבמטמון, זיכרון האקטיבציות ואורך הקלט הכולל עלולים, כל אחד מהם, למצות את הקיבולת שהוגדרה. לכן תהליך של מיליון טוקנים תלוי בתצורה, בזיכרון ובמימוש הקשב הנתמך. לסקירת מסמכים מעשית, התחילו בחומר הרלוונטי, סמנו גבולות בין מסמכים ובקשו ראיות הניתנות למעקב, במקום לראות בקלט הגדול ביותר תחליף לשאלה ברורה.
הנחיות יצירה ומגבלות
Qwen ממליצה על temperature 0.6, top_p 0.95, top_k 20 ו-min_p 0. היא מציעה תקציב פלט של 32,768 טוקנים לרוב השאלות ו-81,920 לבעיות מתמטיקה או תכנות קשות במיוחד. אלו המלצות לתקציב היצירה, ולא תקרת פלט קשיחה שפורסמה בנפרד. קנס נוכחות בין אפס לשתיים יכול להפחית חזרתיות, אך ערכים גבוהים יותר עלולים לערבב שפות או לפגוע מעט באיכות.
ציינו בפרומפט את פורמט התשובה הסופית, כגון תוצאה מתמטית תחומה בסמנים או שדה תשובה לשאלת רב-ברירה. בהתאם להמלצת היצרן, שמרו בהיסטוריית השיחה רק את חלק התשובה הסופית. הסקה ארוכה יותר מועילה כשהיא מפיקה תוצאה שאפשר לבדוק; בחנו הנחות, חישובים וקוד מוצע לפני שתסתמכו על התוצאה.
POST /v1/chat/completionstexttext| שדה | סוג | דרישה | ערכים ומגבלות | ברירת מחדל |
|---|---|---|---|---|
שדהmodel | סוגstring | דרישהחובה | ערכים ומגבלות qwen3-30b-a3b-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.
| תצורה | טבלת תעריפים | חיוב |
|---|---|---|
| תצורהתעריפי הבסיס לטוקנים | טבלת תעריפיםתעריף בסיס | חיוב קלט · טוקני קלט $0.0002 / 1K טוקנים פלט · טוקני פלט $0.0008 / 1K טוקנים קלט · קריאה מהמטמון $0 / 1K טוקנים קלט · כתיבה למטמון $0 / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
לפני הבקשה Ailoot משריינת סכום משוער. לאחר קבלת התוצאה היא מסדירה את החיוב הסופי לפי השימוש המדוד. הסדרת חיוב בהזרמה משתמשת ברשומת השימוש הסופית. איך פועלים שריון הסכום והסדרת החיוב →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen3-30b-a3b-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='qwen3-30b-a3b-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='qwen3-30b-a3b-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/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
qwen3-30b-a3b-thinking-2507Qwen3-30B-A3B-Thinking-2507 הוא מודל הטקסט של Qwen הפועל במצב חשיבה בלבד, למשימות תובעניות במתמטיקה, במדע, בתכנות ובהסקה לוגית. גרסת 2507 קבועה זו מספקת הקשר מובנה של 262,144 טוקנים ותקציב הסקה ממושך יותר, עם תהליכים מתועדים לקריאה לכלים ולהקשר ארוך במיוחד בתנאים מוגדרים.
התיאור הזה מציג את יכולות המודל. הקלט, הפלט והאפשרויות הזמינים ב-Ailoot מפורטים בהמשך לפי השיטה שנבחרה.
עיקרי הדברים: גרסת Thinking-2507 הקבועה
Qwen3-30B-A3B-Thinking-2507 הוא מודל ליצירת טקסט המתמקד בהסקה מורכבת. Qwen מתארת שיפורים בלוגיקה, במתמטיקה, במדע, בתכנות, במילוי הוראות, בשימוש בכלים וביצירת טקסט, לצד רצפי חשיבה ארוכים יותר והבנה משופרת של הקשר ארוך. בחרו בגרסת 2507 המסוימת הזאת כאשר המשימה מפיקה תועלת מהסקה ממושכת, כגון בחינת הסברים מתחרים, פתרון בעיה מתמטית רב-שלבית או עיבוד שינוי מורכב בקוד.
סקירת המודל ומצב הפעולה
למודל תערובת המומחים יש 30.5 מיליארד פרמטרים בסך הכול ו-3.3 מיליארד פרמטרים פעילים, עם 128 מומחים ושמונה שנבחרים לכל טוקן, לאורך 48 שכבות. ההקשר המובנה שלו הוא 262,144 טוקנים. הוא מקבל טקסט ומחזיר טקסט; תוצאות כלים מסופקות דרך תהליך עבודה של יישום מחובר. גרסת משקלים זו תומכת בחשיבה בלבד. היא נפרדת מ-Qwen3-30B-A3B ההיברידי המוקדם יותר, מגרסת ה-FP8 שלו ומ-Qwen3-30B-A3B-Instruct-2507. אין להניח שמתג ביטול החשיבה של המודל ההיברידי חל כאן.
תבנית הצ'אט המוגדרת כברירת מחדל כבר מתחילה את רצף ההסקה בסמן פתיחת חשיבה, ולכן אין צורך בהגדרה מפורשת enable_thinking=True. רצף שמוחזר עשוי להכיל את סמן הסגירה בלי לחזור על סמן הפתיחה. דוגמת היצרן מפרידה בין ההסקה לתשובה הסופית. שמרו על ההפרדה הזאת כשאתם מבקשים תוצר קונקרטי: מסקנת הוכחה, תיקון קוד או טבלת החלטה צריכים להישאר קלים לאיתור אחרי ההסבר הארוך יותר.
הכנת משימה קשה
ספקו למודל את נוסח הבעיה המלא, את האילוצים ואת הראיות הרלוונטיות. לשינוי קוד, כללו את הפונקציה הקיימת, קלט שנכשל וההתנהגות הצפויה, ואז בקשו תיקון מוצע עם הסבר למקרי קצה. לשאלה מדעית, הפרידו בין תצפיות להנחות ובקשו לציין איזו מסקנה נובעת מכל אחת. למסמך מדיניות או מפרט ארוך, שמרו מזהי סעיפים ובקשו החלטה תמציתית הנתמכת בסעיפים הרלוונטיים. אלו שימושים מעשיים בתחומי ההסקה המתועדים, ולא טענות שהמודל ביצע תיקון קוד או אימת ניסוי.
מכיוון שגרסה זו יכולה להסיק לאורך זמן, הקצו מקום גם להסקה וגם לתוצר הסופי. Qwen ממליצה לשמור, ככל האפשר, על הקשר מעל 131,072 טוקנים בעת הגדרת המודל, גם אם הקשר קטן יותר יקל את לחץ הזיכרון. נתון ההקשר המובנה כולל את תקציב הרצף; אין זו הבטחה שאפשר להשתמש בכולו למסמך ולהותיר מקום בלתי מוגבל לתשובה.
שימוש כסוכן
היצרן מתעד קריאה לכלים וממליץ על Qwen-Agent לתבניות כלים ולפענוחן, לרבות שילוב עם כלים מוגדרים ותהליכים עם מפרש קוד. הגדירו במפורש את הכלים ואת התוצאה המיועדת. למשל, יישום יכול לאפשר למודל לבחון ראיות שאוחזרו, להשתמש במחשבון מורשה ואז להפיק דוח המסביר את החישוב. האחזור והביצוע שייכים לכלים המחוברים; יכולת הקריאה לכלים של המודל אינה מקנה כשלעצמה גישה לאינטרנט, לסביבת קוד או למערכות עסקיות.
עיבוד טקסט ארוך במיוחד
Qwen מתעדת תהליך אופציונלי המגיע לכמיליון טוקנים באמצעות שילוב Dual Chunk Attention עם מנגנון הקשב הדליל MInference. השיטה הראשונה מחלקת רצפים ארוכים למקטעים תוך שימור יחסי הגומלין ביניהם; השנייה ממקדת את החישוב בקשרי קשב נבחרים. זהו נתיב תצורה נוסף, מעבר להקשר המובנה של 262,144 טוקנים. מתכון היצרן מחייב תצורה ייעודית להקשר ארוך ומעריך צורך בכ-240 GB של זיכרון GPU כולל למשקלים, למצב הקשב שבמטמון ולשיא האקטיבציות.
למתכון הזה יש מגבלות משאבים מוחשיות: מצב הרצף שבמטמון, זיכרון האקטיבציות ואורך הקלט הכולל עלולים, כל אחד מהם, למצות את הקיבולת שהוגדרה. לכן תהליך של מיליון טוקנים תלוי בתצורה, בזיכרון ובמימוש הקשב הנתמך. לסקירת מסמכים מעשית, התחילו בחומר הרלוונטי, סמנו גבולות בין מסמכים ובקשו ראיות הניתנות למעקב, במקום לראות בקלט הגדול ביותר תחליף לשאלה ברורה.
הנחיות יצירה ומגבלות
Qwen ממליצה על temperature 0.6, top_p 0.95, top_k 20 ו-min_p 0. היא מציעה תקציב פלט של 32,768 טוקנים לרוב השאלות ו-81,920 לבעיות מתמטיקה או תכנות קשות במיוחד. אלו המלצות לתקציב היצירה, ולא תקרת פלט קשיחה שפורסמה בנפרד. קנס נוכחות בין אפס לשתיים יכול להפחית חזרתיות, אך ערכים גבוהים יותר עלולים לערבב שפות או לפגוע מעט באיכות.
ציינו בפרומפט את פורמט התשובה הסופית, כגון תוצאה מתמטית תחומה בסמנים או שדה תשובה לשאלת רב-ברירה. בהתאם להמלצת היצרן, שמרו בהיסטוריית השיחה רק את חלק התשובה הסופית. הסקה ארוכה יותר מועילה כשהיא מפיקה תוצאה שאפשר לבדוק; בחנו הנחות, חישובים וקוד מוצע לפני שתסתמכו על התוצאה.
POST /v1/messagestextjson, sse| שדה | סוג | דרישה | ערכים ומגבלות | ברירת מחדל |
|---|---|---|---|---|
שדהmodel | סוגstring | דרישהחובה | ערכים ומגבלות qwen3-30b-a3b-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.
| תצורה | טבלת תעריפים | חיוב |
|---|---|---|
| תצורהתעריפי הבסיס לטוקנים | טבלת תעריפיםתעריף בסיס | חיוב קלט · טוקני קלט $0.0002 / 1K טוקנים פלט · טוקני פלט $0.0008 / 1K טוקנים קלט · קריאה מהמטמון $0 / 1K טוקנים קלט · כתיבה למטמון $0 / 1K טוקנים קלט · כתיבה למטמון, 1 שעה — / 1K טוקנים |
לפני הבקשה Ailoot משריינת סכום משוער. לאחר קבלת התוצאה היא מסדירה את החיוב הסופי לפי השימוש המדוד. הסדרת חיוב בהזרמה משתמשת ברשומת השימוש הסופית. איך פועלים שריון הסכום והסדרת החיוב →
{\n "model": "qwen3-30b-a3b-thinking-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-30b-a3b-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': 'qwen3-30b-a3b-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/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
דוגמה טכנית באנגלית
Solve a constrained staffing assignment\n\nAssign three reviewers, Ada, Ben and Cy, to morning, afternoon and evening shifts, one each. Ada cannot work evening. Ben must work later than Ada. Cy cannot work morning. List every valid assignment and explain how each constraint eliminates alternatives. Finish with whether the assignment is unique; do not assume additional availability.An enumeration of all valid assignments, a constraint check and a separate uniqueness conclusion.Every assignment uses all three shifts once and satisfies Ben later than Ada without adding availability rules.