Kiemelt jellemzők: a rögzített Instruct-2507 frissítés
A Qwen3-30B-A3B-Instruct-2507 a Qwen3-30B-A3B frissített, nem gondolkodó változata. A gyártó az utasításkövetés, a logikai következtetés, a szövegértés, a matematika, a természettudomány, a programozás és az eszközhasználat javulását emeli ki, több nyelven a ritkábban előforduló témák szélesebb ismeretével és a nyitott feladatokhoz való jobb igazodással. Szöveget fogad és állít elő: választ, magyarázatot, kódjavaslatot vagy kért írásos eredményt.
A rögzített 2507 azonosságát tartsd külön az eredeti hibrid Qwen3-30B-A3B-től, annak FP8 buildjétől és a Thinking-2507 kiadástól. A modell többnyelvű ismereteinek leírása nem ad külön nyelvszámgaranciát ehhez a pillanatfelvételhez. Fordítási vagy átfogalmazási feladatnál határozd meg a célnyelvet, a közönséget és a változatlanul hagyandó kifejezéseket.
A modell áttekintése
A szakértőkeverék-modell összesen 30,5 milliárd paramétert tartalmaz, és 3,3 milliárdot aktivál. 48 rétege, 128 szakértője van, és tokenenként nyolc szakértőt választ ki. Natív kontextusa 262 144 token. Az aktivált paraméterszám nem a teljes ellenőrzőpont mérete, és önmagában az architektúra nem határoz meg rögzített válaszidőt egy alkalmazásban.
Ez a változat csak nem gondolkodó módot támogat, és nem generál kifejezett gondolkodási blokkokat. A gyártó receptjében nincs szükség enable_thinking=False beállításra. Továbbra is mutathat számításokat vagy magyarázhat kódot közönséges szövegben; az alátámasztó lépések kérése nem alakítja a külön Thinking-ellenőrzőponttá.
Hasznos szöveges kérés előkészítése
Programozási feladathoz add meg a releváns függvényt vagy modult, a bemeneti korlátokat, a megfigyelt működést és a kívánt eredményt. Kérj javasolt javítást vagy teljes függvényt az érintett feltevések magyarázatával. Matematikai vagy természettudományos kérdésnél add meg a teljes állítást, a mértékegységeket és a definíciókat, majd kérj világosan elkülönített végső választ a megadott feltételekre alapozva.
Nyitott írásfeladatnál határozd meg a közönséget, a célt, a hangnemet és a kötelezően megjelenítendő információt. Hasznos válasz lehet a kért részek szerint rendezett, szerkeszthető vázlat, az alá nem támasztott feltevések külön jelölésével. A visszaadott vázlatot, számításokat vagy kódjavaslatot hasonlítsd össze a megadott tényekkel, definíciókkal és követelményekkel.
Ügynöki használat
A Qwen dokumentálja az eszközhívást, és a Qwen-Agentet ajánlja a sablonokhoz és feldolgozáshoz, konfigurált vagy MCP-n keresztül csatlakoztatott eszközökkel. Add meg az engedélyezett műveleteket és a befejezés megfigyelhető feltételeit. A csatlakoztatott eszközök külső műveleteket hajtanak végre, és megfigyeléseket adnak vissza; a modell ezt a visszajelzést egy későbbi válaszban használhatja. A javasolt parancsnak vagy a lekért forrásra vonatkozó állításnak el kellene különülnie a munkafolyamat által ténylegesen visszaadott eredménytől.
Világos végső eredmény lehet egy kódjavaslat, bizonyítéktáblázat vagy tömör jelentés. Az eszköztámogatás önmagában nem teremt hozzáférést aktuális forrásokhoz, fájlokhoz vagy végrehajtási környezethez minden felületen. Őrizd meg az adott modell nem gondolkodó válaszadási szerződését ahelyett, hogy egy hibrid modell promptkapcsolóit vagy egy Thinking kiadás kimeneti kereteit importálnád.
Ultrahosszú szöveg feldolgozása
A gyártó egy opcionális, körülbelül egymillió tokent elérő munkafolyamatot dokumentál Dual Chunk Attention és MInference ritka figyelem használatával. Az első kezelhető részekre bontja a hosszú szekvenciát, a részek közötti kölcsönhatások megőrzésével; a második kiválasztott figyelmi kapcsolatokra összpontosítja a számítást. Ez a natív 262 144-es kontextuson túli kiegészítő konfigurációs út, külön hosszúkontextus-konfigurációval.
A recept nagyjából 240 GB teljes GPU-memóriát becsül a modellsúlyokhoz, a gyorsítótárazott szekvenciaállapothoz és az aktivációs csúcsokhoz. Külön kapacitáshibákat is leír a szekvenciagyorsítótár, az aktivációs memória vagy a konfigurált hosszt meghaladó bemenet miatt. A milliótokenes munkafolyamat ezért konfigurációtól és erőforrásoktól függ; a kiemelt adatot nem kellene feltétel nélküli alapértelmezésként kezelni.
A hosszú bemenetet dokumentumhatárokkal, résznevekkel vagy kódazonosítókkal és konkrét kérdéssel készítsd elő. Foglalj helyet a válasznak, és kérd az egyes következtetéseket alátámasztó bizonyítékokat.
Generálási ajánlások
A Best Practices temperature 0.7, top_p 0.8, top_k 20 és min_p 0 beállítást ajánl. Ahol támogatott, a nulla és kettő közötti presence penalty csökkentheti az ismétlődő szöveget, míg a magasabb értékek keverhetik a nyelveket vagy kissé ronthatják a minőséget. A gyártó a legtöbb kéréshez 16 384 tokenes kimeneti keretet ajánl a Thinking-2507-hez dokumentált hosszabb keretek helyett. Ez ajánlás, nem külön megállapított, szigorú kimeneti plafon.
Kifejezetten add meg a végső formátumot, például matematikai határolót vagy válaszmezőt. A modell dokumentált bemenete szöveg, ezért a vizuális vagy hangalapú bizonyítékokhoz megfelelő külön reprezentáció szükséges e munkafolyamat előtt. A számításokat, idézeteket és generált kódot ellenőrizd a forrás alapján. A hasznos eredmény egy teljes, áttekinthető szöveges anyag, amelyben a rögzített Instruct-2507 azonosság, a nem gondolkodó mód és a feltételes hosszúkontextus-eljárás világos marad.
", "aboutText": "Kiemelt jellemzők: a rögzített Instruct-2507 frissítés\n\nA Qwen3-30B-A3B-Instruct-2507 a Qwen3-30B-A3B frissített, nem gondolkodó változata. A gyártó az utasításkövetés, a logikai következtetés, a szövegértés, a matematika, a természettudomány, a programozás és az eszközhasználat javulását emeli ki, több nyelven a ritkábban előforduló témák szélesebb ismeretével és a nyitott feladatokhoz való jobb igazodással. Szöveget fogad és állít elő: választ, magyarázatot, kódjavaslatot vagy kért írásos eredményt.\n\nA rögzített 2507 azonosságát tartsd külön az eredeti hibrid Qwen3-30B-A3B-től, annak FP8 buildjétől és a Thinking-2507 kiadástól. A modell többnyelvű ismereteinek leírása nem ad külön nyelvszámgaranciát ehhez a pillanatfelvételhez. Fordítási vagy átfogalmazási feladatnál határozd meg a célnyelvet, a közönséget és a változatlanul hagyandó kifejezéseket.\n\nA modell áttekintése\n\nA szakértőkeverék-modell összesen 30,5 milliárd paramétert tartalmaz, és 3,3 milliárdot aktivál. 48 rétege, 128 szakértője van, és tokenenként nyolc szakértőt választ ki. Natív kontextusa 262 144 token. Az aktivált paraméterszám nem a teljes ellenőrzőpont mérete, és önmagában az architektúra nem határoz meg rögzített válaszidőt egy alkalmazásban.\n\nEz a változat csak nem gondolkodó módot támogat, és nem generál kifejezett gondolkodási blokkokat. A gyártó receptjében nincs szükség enable_thinking=False beállításra. Továbbra is mutathat számításokat vagy magyarázhat kódot közönséges szövegben; az alátámasztó lépések kérése nem alakítja a külön Thinking-ellenőrzőponttá.\n\nHasznos szöveges kérés előkészítése\n\nProgramozási feladathoz add meg a releváns függvényt vagy modult, a bemeneti korlátokat, a megfigyelt működést és a kívánt eredményt. Kérj javasolt javítást vagy teljes függvényt az érintett feltevések magyarázatával. Matematikai vagy természettudományos kérdésnél add meg a teljes állítást, a mértékegységeket és a definíciókat, majd kérj világosan elkülönített végső választ a megadott feltételekre alapozva.\n\nNyitott írásfeladatnál határozd meg a közönséget, a célt, a hangnemet és a kötelezően megjelenítendő információt. Hasznos válasz lehet a kért részek szerint rendezett, szerkeszthető vázlat, az alá nem támasztott feltevések külön jelölésével. A visszaadott vázlatot, számításokat vagy kódjavaslatot hasonlítsd össze a megadott tényekkel, definíciókkal és követelményekkel.\n\nÜgynöki használat\n\nA Qwen dokumentálja az eszközhívást, és a Qwen-Agentet ajánlja a sablonokhoz és feldolgozáshoz, konfigurált vagy MCP-n keresztül csatlakoztatott eszközökkel. Add meg az engedélyezett műveleteket és a befejezés megfigyelhető feltételeit. A csatlakoztatott eszközök külső műveleteket hajtanak végre, és megfigyeléseket adnak vissza; a modell ezt a visszajelzést egy későbbi válaszban használhatja. A javasolt parancsnak vagy a lekért forrásra vonatkozó állításnak el kellene különülnie a munkafolyamat által ténylegesen visszaadott eredménytől.\n\nVilágos végső eredmény lehet egy kódjavaslat, bizonyítéktáblázat vagy tömör jelentés. Az eszköztámogatás önmagában nem teremt hozzáférést aktuális forrásokhoz, fájlokhoz vagy végrehajtási környezethez minden felületen. Őrizd meg az adott modell nem gondolkodó válaszadási szerződését ahelyett, hogy egy hibrid modell promptkapcsolóit vagy egy Thinking kiadás kimeneti kereteit importálnád.\n\nUltrahosszú szöveg feldolgozása\n\nA gyártó egy opcionális, körülbelül egymillió tokent elérő munkafolyamatot dokumentál Dual Chunk Attention és MInference ritka figyelem használatával. Az első kezelhető részekre bontja a hosszú szekvenciát, a részek közötti kölcsönhatások megőrzésével; a második kiválasztott figyelmi kapcsolatokra összpontosítja a számítást. Ez a natív 262 144-es kontextuson túli kiegészítő konfigurációs út, külön hosszúkontextus-konfigurációval.\n\nA recept nagyjából 240 GB teljes GPU-memóriát becsül a modellsúlyokhoz, a gyorsítótárazott szekvenciaállapothoz és az aktivációs csúcsokhoz. Külön kapacitáshibákat is leír a szekvenciagyorsítótár, az aktivációs memória vagy a konfigurált hosszt meghaladó bemenet miatt. A milliótokenes munkafolyamat ezért konfigurációtól és erőforrásoktól függ; a kiemelt adatot nem kellene feltétel nélküli alapértelmezésként kezelni.\n\nA hosszú bemenetet dokumentumhatárokkal, résznevekkel vagy kódazonosítókkal és konkrét kérdéssel készítsd elő. Foglalj helyet a válasznak, és kérd az egyes következtetéseket alátámasztó bizonyítékokat.\n\nGenerálási ajánlások\n\nA Best Practices temperature 0.7, top_p 0.8, top_k 20 és min_p 0 beállítást ajánl. Ahol támogatott, a nulla és kettő közötti presence penalty csökkentheti az ismétlődő szöveget, míg a magasabb értékek keverhetik a nyelveket vagy kissé ronthatják a minőséget. A gyártó a legtöbb kéréshez 16 384 tokenes kimeneti keretet ajánl a Thinking-2507-hez dokumentált hosszabb keretek helyett. Ez ajánlás, nem külön megállapított, szigorú kimeneti plafon.\n\nKifejezetten add meg a végső formátumot, például matematikai határolót vagy válaszmezőt. A modell dokumentált bemenete szöveg, ezért a vizuális vagy hangalapú bizonyítékokhoz megfelelő külön reprezentáció szükséges e munkafolyamat előtt. A számításokat, idézeteket és generált kódot ellenőrizd a forrás alapján. A hasznos eredmény egy teljes, áttekinthető szöveges anyag, amelyben a rögzített Instruct-2507 azonosság, a nem gondolkodó mód és a feltételes hosszúkontextus-eljárás világos marad.", "editorialOverlay": { "copy_fields": { "practical_html": "Technikai példa angolul
Draft a bounded project brief\n\nWrite a one-page-style brief in at most 170 words for a library's room-booking page. Facts: two rooms, maximum two-hour bookings, no recurring reservations, and a staff review for groups larger than eight. Use sections Goal, User steps, Rules and Open question. Include no payment features or assumed room capacities beyond the stated review threshold.An editable four-section project brief preserving the booking rules and one genuinely unanswered design question.The group-size threshold triggers staff review rather than being invented as an absolute room-capacity limit.qwen/qwen3-30b-a3b-instruct-2507A Qwen3-30B-A3B-Instruct-2507 a Qwen rögzített, nem gondolkodó júliusi 2507 szöveges kiadása, összesen 30,5 milliárd és 3,3 milliárd aktivált paraméterrel. Javítja az utasításkövetést, a programozást, a többnyelvű tudást és a nyitott írásfeladatokat, natív kontextusa 262 144 token.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
Kiemelt jellemzők: a rögzített Instruct-2507 frissítés
A Qwen3-30B-A3B-Instruct-2507 a Qwen3-30B-A3B frissített, nem gondolkodó változata. A gyártó az utasításkövetés, a logikai következtetés, a szövegértés, a matematika, a természettudomány, a programozás és az eszközhasználat javulását emeli ki, több nyelven a ritkábban előforduló témák szélesebb ismeretével és a nyitott feladatokhoz való jobb igazodással. Szöveget fogad és állít elő: választ, magyarázatot, kódjavaslatot vagy kért írásos eredményt.
A rögzített 2507 azonosságát tartsd külön az eredeti hibrid Qwen3-30B-A3B-től, annak FP8 buildjétől és a Thinking-2507 kiadástól. A modell többnyelvű ismereteinek leírása nem ad külön nyelvszámgaranciát ehhez a pillanatfelvételhez. Fordítási vagy átfogalmazási feladatnál határozd meg a célnyelvet, a közönséget és a változatlanul hagyandó kifejezéseket.
A modell áttekintése
A szakértőkeverék-modell összesen 30,5 milliárd paramétert tartalmaz, és 3,3 milliárdot aktivál. 48 rétege, 128 szakértője van, és tokenenként nyolc szakértőt választ ki. Natív kontextusa 262 144 token. Az aktivált paraméterszám nem a teljes ellenőrzőpont mérete, és önmagában az architektúra nem határoz meg rögzített válaszidőt egy alkalmazásban.
Ez a változat csak nem gondolkodó módot támogat, és nem generál kifejezett gondolkodási blokkokat. A gyártó receptjében nincs szükség enable_thinking=False beállításra. Továbbra is mutathat számításokat vagy magyarázhat kódot közönséges szövegben; az alátámasztó lépések kérése nem alakítja a külön Thinking-ellenőrzőponttá.
Hasznos szöveges kérés előkészítése
Programozási feladathoz add meg a releváns függvényt vagy modult, a bemeneti korlátokat, a megfigyelt működést és a kívánt eredményt. Kérj javasolt javítást vagy teljes függvényt az érintett feltevések magyarázatával. Matematikai vagy természettudományos kérdésnél add meg a teljes állítást, a mértékegységeket és a definíciókat, majd kérj világosan elkülönített végső választ a megadott feltételekre alapozva.
Nyitott írásfeladatnál határozd meg a közönséget, a célt, a hangnemet és a kötelezően megjelenítendő információt. Hasznos válasz lehet a kért részek szerint rendezett, szerkeszthető vázlat, az alá nem támasztott feltevések külön jelölésével. A visszaadott vázlatot, számításokat vagy kódjavaslatot hasonlítsd össze a megadott tényekkel, definíciókkal és követelményekkel.
Ügynöki használat
A Qwen dokumentálja az eszközhívást, és a Qwen-Agentet ajánlja a sablonokhoz és feldolgozáshoz, konfigurált vagy MCP-n keresztül csatlakoztatott eszközökkel. Add meg az engedélyezett műveleteket és a befejezés megfigyelhető feltételeit. A csatlakoztatott eszközök külső műveleteket hajtanak végre, és megfigyeléseket adnak vissza; a modell ezt a visszajelzést egy későbbi válaszban használhatja. A javasolt parancsnak vagy a lekért forrásra vonatkozó állításnak el kellene különülnie a munkafolyamat által ténylegesen visszaadott eredménytől.
Világos végső eredmény lehet egy kódjavaslat, bizonyítéktáblázat vagy tömör jelentés. Az eszköztámogatás önmagában nem teremt hozzáférést aktuális forrásokhoz, fájlokhoz vagy végrehajtási környezethez minden felületen. Őrizd meg az adott modell nem gondolkodó válaszadási szerződését ahelyett, hogy egy hibrid modell promptkapcsolóit vagy egy Thinking kiadás kimeneti kereteit importálnád.
Ultrahosszú szöveg feldolgozása
A gyártó egy opcionális, körülbelül egymillió tokent elérő munkafolyamatot dokumentál Dual Chunk Attention és MInference ritka figyelem használatával. Az első kezelhető részekre bontja a hosszú szekvenciát, a részek közötti kölcsönhatások megőrzésével; a második kiválasztott figyelmi kapcsolatokra összpontosítja a számítást. Ez a natív 262 144-es kontextuson túli kiegészítő konfigurációs út, külön hosszúkontextus-konfigurációval.
A recept nagyjából 240 GB teljes GPU-memóriát becsül a modellsúlyokhoz, a gyorsítótárazott szekvenciaállapothoz és az aktivációs csúcsokhoz. Külön kapacitáshibákat is leír a szekvenciagyorsítótár, az aktivációs memória vagy a konfigurált hosszt meghaladó bemenet miatt. A milliótokenes munkafolyamat ezért konfigurációtól és erőforrásoktól függ; a kiemelt adatot nem kellene feltétel nélküli alapértelmezésként kezelni.
A hosszú bemenetet dokumentumhatárokkal, résznevekkel vagy kódazonosítókkal és konkrét kérdéssel készítsd elő. Foglalj helyet a válasznak, és kérd az egyes következtetéseket alátámasztó bizonyítékokat.
Generálási ajánlások
A Best Practices temperature 0.7, top_p 0.8, top_k 20 és min_p 0 beállítást ajánl. Ahol támogatott, a nulla és kettő közötti presence penalty csökkentheti az ismétlődő szöveget, míg a magasabb értékek keverhetik a nyelveket vagy kissé ronthatják a minőséget. A gyártó a legtöbb kéréshez 16 384 tokenes kimeneti keretet ajánl a Thinking-2507-hez dokumentált hosszabb keretek helyett. Ez ajánlás, nem külön megállapított, szigorú kimeneti plafon.
Kifejezetten add meg a végső formátumot, például matematikai határolót vagy válaszmezőt. A modell dokumentált bemenete szöveg, ezért a vizuális vagy hangalapú bizonyítékokhoz megfelelő külön reprezentáció szükséges e munkafolyamat előtt. A számításokat, idézeteket és generált kódot ellenőrizd a forrás alapján. A hasznos eredmény egy teljes, áttekinthető szöveges anyag, amelyben a rögzített Instruct-2507 azonosság, a nem gondolkodó mód és a feltételes hosszúkontextus-eljárás világos marad.
POST /v1/chat/completionstexttext| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok qwen/qwen3-30b-a3b-instruct-2507 | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok Minimális elemszám: 1 | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok Példák: system, user, assistant, tool, function Feltételek: Ezeket a szerepeket a forráskód kompatibilitási típusai kifejezetten reprezentálják; a pontos szerepkészlet továbbra is modellspecifikus. Modelltől függ | Alapértelmezett— |
Mezőmessages[].content | Típusstring|content_part[]|null | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].tool_calls | Típustool_call[] | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].tool_call_id | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: role=tool; használja a ténylegesen visszaadott ID-t | Alapértelmezett— |
Mezőmessages[].name | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].reasoning_content | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: Küldje vissza a ténylegesen visszaadott gondolkodási tartalmat, ha ez a modell használja | Alapértelmezett— |
Mezőmessages[].reasoning_details | Típusobject|array | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmax_tokens | Típusinteger | KövetelményOpcionális | Értékek és korlátok Minimum: 1 Modelltől függ | Alapértelmezett— |
Mezőmax_completion_tokens | Típusinteger | KövetelményOpcionális | Értékek és korlátok Minimum: 1 Modelltől függ | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Mezőstream_options.include_usage | Típusboolean | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtemperature | Típusnumber | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtop_p | Típusnumber | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőstop | Típusstring|string[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtools | Típusfunction_tool[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtools[].type | Típusstring | KövetelményOpcionális | Értékek és korlátok function Modelltől függ | Alapértelmezett— |
Mezőtools[].function.name | Típusstring | KövetelményKötelező | Értékek és korlátok Akkor alkalmazandó, ha: Függvényeszköz megadva | Alapértelmezett— |
Mezőtools[].function.description | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőtools[].function.parameters | TípusJSON_schema | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőtool_choice | Típusstring|object | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőparallel_tool_calls | Típusboolean | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőresponse_format | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőreasoning_effort | Típusstring | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőreasoning | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőservice_tier | Típusstring | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőinstructions | Típusstring | KövetelményOpcionális | Értékek és korlátok Kompatibilitási mező | Alapértelmezett— |
Mezőfunctions | Típusfunction[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőfunction_call | Típusstring|object | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőprompt_cache_options | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmodalities | Típusstring[] | KövetelményOpcionális | Értékek és korlátok text | Alapértelmezett— |
Mezőprovider | Típusobject | KövetelményOpcionális | Értékek és korlátok Feltételek: A provider.options elutasításra kerül ezen az Ultra szöveges útvonalon | Alapértelmezett— |
Mezőcache_control.ttl | Típusstring | KövetelményOpcionális | Értékek és korlátok Feltételek: Az 1h elutasításra kerül a tényleges prompt-gyorsítótárazási helyeken | Alapértelmezett— |
Szöveg · UTF8 szöveg
messages[].content
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages |
Paramétermaterial_types | Szerződéstext |
Paramétermessages | Szerződésüzenettömb role/content szerkezettel |
Paraméterfile_material | Szerződésa tényleges UTF-8 dokumentum szó szerinti szövegként beillesztve; nincs kikövetkeztetett fájlazonosító |
Paraméteroptional_controls | Szerződésstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramétercontrol_scope | Szerződésmodellspecifikus; a felhasználói függvényeszközök eltérnek a hosztolt eszközöktől |
Paraméteroutput_modalities | Szerződéstext |
Paraméterhosted_operations | Szerződésfalse |
Paramétermultimodal_input_binding | Szerződésnull |
Életciklus: synchronous_or_streamed
Küldje el a pontos modellazonosítót a messages mellett.
A kontextushossz nem kimeneti felső korlát.
Egy szövegfájl szó szerinti szöveget adhat meg; a kép-/hang-/fájlobjektum-bemenetek pontos hozzárendelést igényelnek.
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
Minden díjat a megjelenített feltételekhez rendeljen. Az alternatív beállítások minden csoportjához egy díjtételt használjon.
| Beállítás | Díjtáblázat | Kontextustokenek, több mint | Kontextustokenek, legfeljebb | Díj |
|---|---|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Kontextustokenek, több mint— | Kontextustokenek, legfeljebbNincs felső korlát | Díj Bemenet · Bemeneti tokenek $0.0002 / 1K token Kimenet · Kimeneti tokenek $0.0008 / 1K token Bemenet · Gyorsítótár olvasása $0 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
| BeállításA kéréshossz szerinti 1. ársáv | Díjtáblázat— | Kontextustokenek, több mint0 | Kontextustokenek, legfeljebbNincs felső korlát | Díj Bemenet · Bemeneti tokenek $0.0002 / 1K token Kimenet · Kimeneti tokenek $0.0008 / 1K token Bemenet · Gyorsítótár olvasása $0 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
set -eu\n: "${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-instruct-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/qwen3-30b-a3b-instruct-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/qwen3-30b-a3b-instruct-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 vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes válaszváltozatot és azok tartalmát/eszközhívásait/gondolkodási tartalmát. SSE esetén válaszváltozat- és eszközindex szerint állítsa össze a részleges frissítéseket, és tartsa meg a végső befejezési okot és a használati adatokat.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőchoices[].index | Típusinteger |
Mezőchoices[].message.content | Típusstring|null |
Mezőchoices[].message.tool_calls | Típustool_call[] |
Mezőchoices[].message.reasoning_content | Típusstring |
Mezőchoices[].message.reasoning_details | Típusobject|array |
Mezőchoices[].finish_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra qwen/qwen3-30b-a3b-instruct-2507
Használja a fent látható metódusútvonalakat.
qwen/qwen3-30b-a3b-instruct-2507A Qwen3-30B-A3B-Instruct-2507 a Qwen rögzített, nem gondolkodó júliusi 2507 szöveges kiadása, összesen 30,5 milliárd és 3,3 milliárd aktivált paraméterrel. Javítja az utasításkövetést, a programozást, a többnyelvű tudást és a nyitott írásfeladatokat, natív kontextusa 262 144 token.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
Kiemelt jellemzők: a rögzített Instruct-2507 frissítés
A Qwen3-30B-A3B-Instruct-2507 a Qwen3-30B-A3B frissített, nem gondolkodó változata. A gyártó az utasításkövetés, a logikai következtetés, a szövegértés, a matematika, a természettudomány, a programozás és az eszközhasználat javulását emeli ki, több nyelven a ritkábban előforduló témák szélesebb ismeretével és a nyitott feladatokhoz való jobb igazodással. Szöveget fogad és állít elő: választ, magyarázatot, kódjavaslatot vagy kért írásos eredményt.
A rögzített 2507 azonosságát tartsd külön az eredeti hibrid Qwen3-30B-A3B-től, annak FP8 buildjétől és a Thinking-2507 kiadástól. A modell többnyelvű ismereteinek leírása nem ad külön nyelvszámgaranciát ehhez a pillanatfelvételhez. Fordítási vagy átfogalmazási feladatnál határozd meg a célnyelvet, a közönséget és a változatlanul hagyandó kifejezéseket.
A modell áttekintése
A szakértőkeverék-modell összesen 30,5 milliárd paramétert tartalmaz, és 3,3 milliárdot aktivál. 48 rétege, 128 szakértője van, és tokenenként nyolc szakértőt választ ki. Natív kontextusa 262 144 token. Az aktivált paraméterszám nem a teljes ellenőrzőpont mérete, és önmagában az architektúra nem határoz meg rögzített válaszidőt egy alkalmazásban.
Ez a változat csak nem gondolkodó módot támogat, és nem generál kifejezett gondolkodási blokkokat. A gyártó receptjében nincs szükség enable_thinking=False beállításra. Továbbra is mutathat számításokat vagy magyarázhat kódot közönséges szövegben; az alátámasztó lépések kérése nem alakítja a külön Thinking-ellenőrzőponttá.
Hasznos szöveges kérés előkészítése
Programozási feladathoz add meg a releváns függvényt vagy modult, a bemeneti korlátokat, a megfigyelt működést és a kívánt eredményt. Kérj javasolt javítást vagy teljes függvényt az érintett feltevések magyarázatával. Matematikai vagy természettudományos kérdésnél add meg a teljes állítást, a mértékegységeket és a definíciókat, majd kérj világosan elkülönített végső választ a megadott feltételekre alapozva.
Nyitott írásfeladatnál határozd meg a közönséget, a célt, a hangnemet és a kötelezően megjelenítendő információt. Hasznos válasz lehet a kért részek szerint rendezett, szerkeszthető vázlat, az alá nem támasztott feltevések külön jelölésével. A visszaadott vázlatot, számításokat vagy kódjavaslatot hasonlítsd össze a megadott tényekkel, definíciókkal és követelményekkel.
Ügynöki használat
A Qwen dokumentálja az eszközhívást, és a Qwen-Agentet ajánlja a sablonokhoz és feldolgozáshoz, konfigurált vagy MCP-n keresztül csatlakoztatott eszközökkel. Add meg az engedélyezett műveleteket és a befejezés megfigyelhető feltételeit. A csatlakoztatott eszközök külső műveleteket hajtanak végre, és megfigyeléseket adnak vissza; a modell ezt a visszajelzést egy későbbi válaszban használhatja. A javasolt parancsnak vagy a lekért forrásra vonatkozó állításnak el kellene különülnie a munkafolyamat által ténylegesen visszaadott eredménytől.
Világos végső eredmény lehet egy kódjavaslat, bizonyítéktáblázat vagy tömör jelentés. Az eszköztámogatás önmagában nem teremt hozzáférést aktuális forrásokhoz, fájlokhoz vagy végrehajtási környezethez minden felületen. Őrizd meg az adott modell nem gondolkodó válaszadási szerződését ahelyett, hogy egy hibrid modell promptkapcsolóit vagy egy Thinking kiadás kimeneti kereteit importálnád.
Ultrahosszú szöveg feldolgozása
A gyártó egy opcionális, körülbelül egymillió tokent elérő munkafolyamatot dokumentál Dual Chunk Attention és MInference ritka figyelem használatával. Az első kezelhető részekre bontja a hosszú szekvenciát, a részek közötti kölcsönhatások megőrzésével; a második kiválasztott figyelmi kapcsolatokra összpontosítja a számítást. Ez a natív 262 144-es kontextuson túli kiegészítő konfigurációs út, külön hosszúkontextus-konfigurációval.
A recept nagyjából 240 GB teljes GPU-memóriát becsül a modellsúlyokhoz, a gyorsítótárazott szekvenciaállapothoz és az aktivációs csúcsokhoz. Külön kapacitáshibákat is leír a szekvenciagyorsítótár, az aktivációs memória vagy a konfigurált hosszt meghaladó bemenet miatt. A milliótokenes munkafolyamat ezért konfigurációtól és erőforrásoktól függ; a kiemelt adatot nem kellene feltétel nélküli alapértelmezésként kezelni.
A hosszú bemenetet dokumentumhatárokkal, résznevekkel vagy kódazonosítókkal és konkrét kérdéssel készítsd elő. Foglalj helyet a válasznak, és kérd az egyes következtetéseket alátámasztó bizonyítékokat.
Generálási ajánlások
A Best Practices temperature 0.7, top_p 0.8, top_k 20 és min_p 0 beállítást ajánl. Ahol támogatott, a nulla és kettő közötti presence penalty csökkentheti az ismétlődő szöveget, míg a magasabb értékek keverhetik a nyelveket vagy kissé ronthatják a minőséget. A gyártó a legtöbb kéréshez 16 384 tokenes kimeneti keretet ajánl a Thinking-2507-hez dokumentált hosszabb keretek helyett. Ez ajánlás, nem külön megállapított, szigorú kimeneti plafon.
Kifejezetten add meg a végső formátumot, például matematikai határolót vagy válaszmezőt. A modell dokumentált bemenete szöveg, ezért a vizuális vagy hangalapú bizonyítékokhoz megfelelő külön reprezentáció szükséges e munkafolyamat előtt. A számításokat, idézeteket és generált kódot ellenőrizd a forrás alapján. A hasznos eredmény egy teljes, áttekinthető szöveges anyag, amelyben a rögzített Instruct-2507 azonosság, a nem gondolkodó mód és a feltételes hosszúkontextus-eljárás világos marad.
POST /v1/messagestextjson, sse| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok qwen/qwen3-30b-a3b-instruct-2507 | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok user, assistant | Alapértelmezett— |
Mezőmessages[].content | Típusstring | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmax_tokens | Típusinteger | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Szöveg · UTF-8 szöveg
messages[].content karakterlánc
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages, max_tokens |
Paraméteroptional_controls | Szerződésstream |
Paramétermaterial_types | Szerződéstext |
Paramétertext_file_material | SzerződésOlvassa el a tényleges UTF-8 dokumentumot, és tegye a szövegét a jelzett bemeneti karakterláncba vagy az üzenettartalom karakterláncába. |
Életciklus: synchronous_or_streamed
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
Minden díjat a megjelenített feltételekhez rendeljen. Az alternatív beállítások minden csoportjához egy díjtételt használjon.
| Beállítás | Díjtáblázat | Kontextustokenek, több mint | Kontextustokenek, legfeljebb | Díj |
|---|---|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Kontextustokenek, több mint— | Kontextustokenek, legfeljebbNincs felső korlát | Díj Bemenet · Bemeneti tokenek $0.0002 / 1K token Kimenet · Kimeneti tokenek $0.0008 / 1K token Bemenet · Gyorsítótár olvasása $0 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
| BeállításA kéréshossz szerinti 1. ársáv | Díjtáblázat— | Kontextustokenek, több mint0 | Kontextustokenek, legfeljebbNincs felső korlát | Díj Bemenet · Bemeneti tokenek $0.0002 / 1K token Kimenet · Kimeneti tokenek $0.0008 / 1K token Bemenet · Gyorsítótár olvasása $0 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
{\n "model": "qwen/qwen3-30b-a3b-instruct-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-instruct-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-instruct-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 vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes tartalomblokkot, a gondolkodási tartalom aláírásait és a tényleges eszközhasználati ID-kat. Állítsa össze az összes SSE-blokk részleges frissítését; az első szövegblokk nem a teljes kimenet.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőid | Típusstring |
Mezőmodel | Típusstring |
Mezőcontent[] | Típustext|thinking|tool_use|other content block |
Mezőstop_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra qwen/qwen3-30b-a3b-instruct-2507
Használja a fent látható metódusútvonalakat.
Technikai példa angolul
Draft a bounded project brief\n\nWrite a one-page-style brief in at most 170 words for a library's room-booking page. Facts: two rooms, maximum two-hour bookings, no recurring reservations, and a staff review for groups larger than eight. Use sections Goal, User steps, Rules and Open question. Include no payment features or assumed room capacities beyond the stated review threshold.An editable four-section project brief preserving the booking rules and one genuinely unanswered design question.The group-size threshold triggers staff review rather than being invented as an absolute room-capacity limit.