Fő jellemzők: a rögzített Thinking-2507 kiadás
A Qwen3-30B-A3B-Thinking-2507 nehéz következtetési feladatokra összpontosító szöveggeneráló modell. A Qwen fejlesztéseket ír le a logika, matematika, természettudományok, kódolás, utasításkövetés, eszközhasználat és szöveggenerálás terén, hosszabb gondolkodási sorozatokkal és jobb hosszúkontextus-értéssel együtt. Ezt a pontos 2507 kiadást válassza, ha a feladat számára előnyös a kitartó következtetés, például versengő magyarázatok vizsgálata, több szakaszból álló matematikai probléma megoldása vagy összetett kódmódosítás átgondolása esetén.
A modell áttekintése és üzemmódja
A szakértőkeverékes modell összesen 30.5 milliárd paraméterrel, 3.3 milliárd aktivált paraméterrel, 128 szakértővel, tokenenként nyolc kiválasztott szakértővel és 48 réteggel rendelkezik. Natív kontextusa 262,144 token. Szöveget fogad és szöveget ad vissza; az eszközeredményeket kapcsolódó alkalmazási munkafolyamat biztosítja. Ez a modellellenőrzőpont csak gondolkodást támogat. Különbözik a korábbi hibrid Qwen3-30B-A3B modelltől, annak FP8 kiadásától és a Qwen3-30B-A3B-Instruct-2507 modelltől. Nem szabad feltételezni, hogy a hibrid modell gondolkodást kikapcsoló beállítása itt is alkalmazható.
Az alapértelmezett chatsablon már nyitó gondolkodási jelölővel indítja a következtetési sorozatot, ezért nincs szükség kifejezett enable_thinking=True beállításra. A visszaadott sorozat tartalmazhatja a záró jelölőt anélkül, hogy megismételné a nyitót. A gyártó példája különválasztja a következtetést a végső választól. Konkrét eredmény kérésekor őrizze meg e különbséget: egy bizonyítás következtetése, javítócsomag vagy döntési táblázat a hosszabb magyarázat után is maradjon könnyen megtalálható.
Nehéz feladat előkészítése
Adja meg a modellnek a teljes problémaleírást, a korlátokat és a releváns bizonyítékokat. Kódmódosításhoz mellékelje a meglévő függvényt, egy hibát kiváltó bemenetet és az elvárt működést, majd kérjen javasolt javítócsomagot a szélső esetek magyarázatával. Tudományos kérdésnél különítse el a megfigyeléseket a feltevésektől, és kérdezze meg, melyikből milyen következtetés adódik. Hosszú szabályzatnál vagy specifikációnál őrizze meg a szakaszazonosítókat, és kérjen a releváns rendelkezésekkel alátámasztott tömör döntést. Ezek a dokumentált következtetési területek gyakorlati felhasználásai, nem állítások arról, hogy a modell végrehajtott egy javítást vagy ellenőrzött egy kísérletet.
Mivel ez a változat hosszan következtethet, tartalékoljon helyet a következtetésnek és a végső eredménynek is. A Qwen a modell konfigurálásakor lehetőség szerint 131,072 token feletti kontextus megtartását javasolja, még akkor is, ha a kisebb kontextus csökkentené a memóriaterhelést. A natív kontextusadat a teljes sorozat keretét tartalmazza; nem ígéret arra, hogy az egészet dokumentumra lehet használni korlátlan válaszhely mellett.
Ügynökalapú használat
A gyártó eszközhívást dokumentál, és a Qwen-Agent használatát ajánlja eszközsablonokhoz és feldolgozáshoz, beleértve a konfigurált eszközökkel és kódértelmezős munkafolyamatokkal való integrációt. Egyértelműen határozza meg az eszközöket és a kívánt eredményt. Például egy alkalmazás engedélyezheti a modellnek a visszakeresett bizonyítékok vizsgálatát, egy engedélyezett számológép használatát, majd a számítást magyarázó jelentés elkészítését. A visszakeresés és végrehajtás a kapcsolódó eszközök feladata; a modell eszközhívási képessége önmagában nem igazol internet-, kódkörnyezet- vagy üzletirendszer-hozzáférést.
Rendkívül hosszú szöveg feldolgozása
A Qwen opcionális, körülbelül egymillió tokenig terjedő munkafolyamatot dokumentál a Dual Chunk Attention és a MInference ritka figyelmi mechanizmus egyesítésével. Az első technika hosszú sorozatokat részekre bont úgy, hogy megőrzi a részek közötti kölcsönhatásokat; a második kiválasztott figyelmi kapcsolatokra összpontosítja a számítást. Ez a natív 262,144 tokenes kontextuson túli kiegészítő konfigurációs út. A gyártó receptje speciális hosszúkontextus-konfigurációt igényel, és a súlyokhoz, a gyorsítótárazott figyelmi állapothoz és a csúcsaktivációkhoz összesen körülbelül 240 GB GPU-memóriát becsül.
E receptnek konkrét erőforráskorlátai vannak: a gyorsítótárazott sorozatállapot, az aktivációs memória és a teljes bemeneti hossz külön-külön is kimerítheti a konfigurált kapacitást. Az egymillió tokenes munkafolyamat ezért a konfigurációtól, memóriától és a támogatott figyelmimechanizmus-megvalósítástól függ. Gyakorlati dokumentum-felülvizsgálathoz induljon a releváns anyagból, jelölje a dokumentumhatárokat, és kérjen visszakövethető bizonyítékokat ahelyett, hogy a lehető legnagyobb bemenetet egy világos kérdés helyettesítőjének tekintené.
Generálási útmutatás és korlátok
A Qwen ajánlott beállításai: temperature 0.6, top_p 0.95, top_k 20 és min_p 0. A legtöbb kérdéshez 32,768 tokenes kimeneti keretet, szokatlanul nehéz matematikai vagy programozási problémákhoz 81,920 tokent javasol. Ezek generálásikeret-ajánlások, nem külön közzétett merev kimeneti felső határok. Nulla és kettő közötti jelenléti büntetés csökkentheti az ismétlést, de a magasabb értékek keverhetik a nyelveket vagy kissé ronthatják a minőséget.
A promptban határozza meg a végső válasz formátumát, például határolókkal elkülönített matematikai eredményt vagy feleletválasztós kérdés válaszmezőjét. A gyártó ajánlásának megfelelően csak a végső válasz részét őrizze meg a beszélgetési előzményekben. A hosszabb következtetés akkor hasznos, ha ellenőrizhető eredményt ad; az eredményre támaszkodás előtt vizsgálja meg a feltevéseket, számításokat és a javasolt kódot.
", "aboutText": "Fő jellemzők: a rögzített Thinking-2507 kiadás\n\nA Qwen3-30B-A3B-Thinking-2507 nehéz következtetési feladatokra összpontosító szöveggeneráló modell. A Qwen fejlesztéseket ír le a logika, matematika, természettudományok, kódolás, utasításkövetés, eszközhasználat és szöveggenerálás terén, hosszabb gondolkodási sorozatokkal és jobb hosszúkontextus-értéssel együtt. Ezt a pontos 2507 kiadást válassza, ha a feladat számára előnyös a kitartó következtetés, például versengő magyarázatok vizsgálata, több szakaszból álló matematikai probléma megoldása vagy összetett kódmódosítás átgondolása esetén.\n\nA modell áttekintése és üzemmódja\n\nA szakértőkeverékes modell összesen 30.5 milliárd paraméterrel, 3.3 milliárd aktivált paraméterrel, 128 szakértővel, tokenenként nyolc kiválasztott szakértővel és 48 réteggel rendelkezik. Natív kontextusa 262,144 token. Szöveget fogad és szöveget ad vissza; az eszközeredményeket kapcsolódó alkalmazási munkafolyamat biztosítja. Ez a modellellenőrzőpont csak gondolkodást támogat. Különbözik a korábbi hibrid Qwen3-30B-A3B modelltől, annak FP8 kiadásától és a Qwen3-30B-A3B-Instruct-2507 modelltől. Nem szabad feltételezni, hogy a hibrid modell gondolkodást kikapcsoló beállítása itt is alkalmazható.\n\nAz alapértelmezett chatsablon már nyitó gondolkodási jelölővel indítja a következtetési sorozatot, ezért nincs szükség kifejezett enable_thinking=True beállításra. A visszaadott sorozat tartalmazhatja a záró jelölőt anélkül, hogy megismételné a nyitót. A gyártó példája különválasztja a következtetést a végső választól. Konkrét eredmény kérésekor őrizze meg e különbséget: egy bizonyítás következtetése, javítócsomag vagy döntési táblázat a hosszabb magyarázat után is maradjon könnyen megtalálható.\n\nNehéz feladat előkészítése\n\nAdja meg a modellnek a teljes problémaleírást, a korlátokat és a releváns bizonyítékokat. Kódmódosításhoz mellékelje a meglévő függvényt, egy hibát kiváltó bemenetet és az elvárt működést, majd kérjen javasolt javítócsomagot a szélső esetek magyarázatával. Tudományos kérdésnél különítse el a megfigyeléseket a feltevésektől, és kérdezze meg, melyikből milyen következtetés adódik. Hosszú szabályzatnál vagy specifikációnál őrizze meg a szakaszazonosítókat, és kérjen a releváns rendelkezésekkel alátámasztott tömör döntést. Ezek a dokumentált következtetési területek gyakorlati felhasználásai, nem állítások arról, hogy a modell végrehajtott egy javítást vagy ellenőrzött egy kísérletet.\n\nMivel ez a változat hosszan következtethet, tartalékoljon helyet a következtetésnek és a végső eredménynek is. A Qwen a modell konfigurálásakor lehetőség szerint 131,072 token feletti kontextus megtartását javasolja, még akkor is, ha a kisebb kontextus csökkentené a memóriaterhelést. A natív kontextusadat a teljes sorozat keretét tartalmazza; nem ígéret arra, hogy az egészet dokumentumra lehet használni korlátlan válaszhely mellett.\n\nÜgynökalapú használat\n\nA gyártó eszközhívást dokumentál, és a Qwen-Agent használatát ajánlja eszközsablonokhoz és feldolgozáshoz, beleértve a konfigurált eszközökkel és kódértelmezős munkafolyamatokkal való integrációt. Egyértelműen határozza meg az eszközöket és a kívánt eredményt. Például egy alkalmazás engedélyezheti a modellnek a visszakeresett bizonyítékok vizsgálatát, egy engedélyezett számológép használatát, majd a számítást magyarázó jelentés elkészítését. A visszakeresés és végrehajtás a kapcsolódó eszközök feladata; a modell eszközhívási képessége önmagában nem igazol internet-, kódkörnyezet- vagy üzletirendszer-hozzáférést.\n\nRendkívül hosszú szöveg feldolgozása\n\nA Qwen opcionális, körülbelül egymillió tokenig terjedő munkafolyamatot dokumentál a Dual Chunk Attention és a MInference ritka figyelmi mechanizmus egyesítésével. Az első technika hosszú sorozatokat részekre bont úgy, hogy megőrzi a részek közötti kölcsönhatásokat; a második kiválasztott figyelmi kapcsolatokra összpontosítja a számítást. Ez a natív 262,144 tokenes kontextuson túli kiegészítő konfigurációs út. A gyártó receptje speciális hosszúkontextus-konfigurációt igényel, és a súlyokhoz, a gyorsítótárazott figyelmi állapothoz és a csúcsaktivációkhoz összesen körülbelül 240 GB GPU-memóriát becsül.\n\nE receptnek konkrét erőforráskorlátai vannak: a gyorsítótárazott sorozatállapot, az aktivációs memória és a teljes bemeneti hossz külön-külön is kimerítheti a konfigurált kapacitást. Az egymillió tokenes munkafolyamat ezért a konfigurációtól, memóriától és a támogatott figyelmimechanizmus-megvalósítástól függ. Gyakorlati dokumentum-felülvizsgálathoz induljon a releváns anyagból, jelölje a dokumentumhatárokat, és kérjen visszakövethető bizonyítékokat ahelyett, hogy a lehető legnagyobb bemenetet egy világos kérdés helyettesítőjének tekintené.\n\nGenerálási útmutatás és korlátok\n\nA Qwen ajánlott beállításai: temperature 0.6, top_p 0.95, top_k 20 és min_p 0. A legtöbb kérdéshez 32,768 tokenes kimeneti keretet, szokatlanul nehéz matematikai vagy programozási problémákhoz 81,920 tokent javasol. Ezek generálásikeret-ajánlások, nem külön közzétett merev kimeneti felső határok. Nulla és kettő közötti jelenléti büntetés csökkentheti az ismétlést, de a magasabb értékek keverhetik a nyelveket vagy kissé ronthatják a minőséget.\n\nA promptban határozza meg a végső válasz formátumát, például határolókkal elkülönített matematikai eredményt vagy feleletválasztós kérdés válaszmezőjét. A gyártó ajánlásának megfelelően csak a végső válasz részét őrizze meg a beszélgetési előzményekben. A hosszabb következtetés akkor hasznos, ha ellenőrizhető eredményt ad; az eredményre támaszkodás előtt vizsgálja meg a feltevéseket, számításokat és a javasolt kódot.", "editorialOverlay": { "copy_fields": { "practical_html": "Technikai példa angolul
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-2507A Qwen3-30B-A3B-Thinking-2507 a Qwen kizárólag gondolkodási módú szövegmodellje igényes matematikai, tudományos, kódolási és logikai következtetési feladatokhoz. Ez a rögzített 2507 kiadás natív 262,144 tokenes kontextust és hosszabb következtetési keretet biztosít, dokumentált eszközhívással és feltételes, rendkívül hosszú kontextusú munkafolyamatokkal.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
Fő jellemzők: a rögzített Thinking-2507 kiadás
A Qwen3-30B-A3B-Thinking-2507 nehéz következtetési feladatokra összpontosító szöveggeneráló modell. A Qwen fejlesztéseket ír le a logika, matematika, természettudományok, kódolás, utasításkövetés, eszközhasználat és szöveggenerálás terén, hosszabb gondolkodási sorozatokkal és jobb hosszúkontextus-értéssel együtt. Ezt a pontos 2507 kiadást válassza, ha a feladat számára előnyös a kitartó következtetés, például versengő magyarázatok vizsgálata, több szakaszból álló matematikai probléma megoldása vagy összetett kódmódosítás átgondolása esetén.
A modell áttekintése és üzemmódja
A szakértőkeverékes modell összesen 30.5 milliárd paraméterrel, 3.3 milliárd aktivált paraméterrel, 128 szakértővel, tokenenként nyolc kiválasztott szakértővel és 48 réteggel rendelkezik. Natív kontextusa 262,144 token. Szöveget fogad és szöveget ad vissza; az eszközeredményeket kapcsolódó alkalmazási munkafolyamat biztosítja. Ez a modellellenőrzőpont csak gondolkodást támogat. Különbözik a korábbi hibrid Qwen3-30B-A3B modelltől, annak FP8 kiadásától és a Qwen3-30B-A3B-Instruct-2507 modelltől. Nem szabad feltételezni, hogy a hibrid modell gondolkodást kikapcsoló beállítása itt is alkalmazható.
Az alapértelmezett chatsablon már nyitó gondolkodási jelölővel indítja a következtetési sorozatot, ezért nincs szükség kifejezett enable_thinking=True beállításra. A visszaadott sorozat tartalmazhatja a záró jelölőt anélkül, hogy megismételné a nyitót. A gyártó példája különválasztja a következtetést a végső választól. Konkrét eredmény kérésekor őrizze meg e különbséget: egy bizonyítás következtetése, javítócsomag vagy döntési táblázat a hosszabb magyarázat után is maradjon könnyen megtalálható.
Nehéz feladat előkészítése
Adja meg a modellnek a teljes problémaleírást, a korlátokat és a releváns bizonyítékokat. Kódmódosításhoz mellékelje a meglévő függvényt, egy hibát kiváltó bemenetet és az elvárt működést, majd kérjen javasolt javítócsomagot a szélső esetek magyarázatával. Tudományos kérdésnél különítse el a megfigyeléseket a feltevésektől, és kérdezze meg, melyikből milyen következtetés adódik. Hosszú szabályzatnál vagy specifikációnál őrizze meg a szakaszazonosítókat, és kérjen a releváns rendelkezésekkel alátámasztott tömör döntést. Ezek a dokumentált következtetési területek gyakorlati felhasználásai, nem állítások arról, hogy a modell végrehajtott egy javítást vagy ellenőrzött egy kísérletet.
Mivel ez a változat hosszan következtethet, tartalékoljon helyet a következtetésnek és a végső eredménynek is. A Qwen a modell konfigurálásakor lehetőség szerint 131,072 token feletti kontextus megtartását javasolja, még akkor is, ha a kisebb kontextus csökkentené a memóriaterhelést. A natív kontextusadat a teljes sorozat keretét tartalmazza; nem ígéret arra, hogy az egészet dokumentumra lehet használni korlátlan válaszhely mellett.
Ügynökalapú használat
A gyártó eszközhívást dokumentál, és a Qwen-Agent használatát ajánlja eszközsablonokhoz és feldolgozáshoz, beleértve a konfigurált eszközökkel és kódértelmezős munkafolyamatokkal való integrációt. Egyértelműen határozza meg az eszközöket és a kívánt eredményt. Például egy alkalmazás engedélyezheti a modellnek a visszakeresett bizonyítékok vizsgálatát, egy engedélyezett számológép használatát, majd a számítást magyarázó jelentés elkészítését. A visszakeresés és végrehajtás a kapcsolódó eszközök feladata; a modell eszközhívási képessége önmagában nem igazol internet-, kódkörnyezet- vagy üzletirendszer-hozzáférést.
Rendkívül hosszú szöveg feldolgozása
A Qwen opcionális, körülbelül egymillió tokenig terjedő munkafolyamatot dokumentál a Dual Chunk Attention és a MInference ritka figyelmi mechanizmus egyesítésével. Az első technika hosszú sorozatokat részekre bont úgy, hogy megőrzi a részek közötti kölcsönhatásokat; a második kiválasztott figyelmi kapcsolatokra összpontosítja a számítást. Ez a natív 262,144 tokenes kontextuson túli kiegészítő konfigurációs út. A gyártó receptje speciális hosszúkontextus-konfigurációt igényel, és a súlyokhoz, a gyorsítótárazott figyelmi állapothoz és a csúcsaktivációkhoz összesen körülbelül 240 GB GPU-memóriát becsül.
E receptnek konkrét erőforráskorlátai vannak: a gyorsítótárazott sorozatállapot, az aktivációs memória és a teljes bemeneti hossz külön-külön is kimerítheti a konfigurált kapacitást. Az egymillió tokenes munkafolyamat ezért a konfigurációtól, memóriától és a támogatott figyelmimechanizmus-megvalósítástól függ. Gyakorlati dokumentum-felülvizsgálathoz induljon a releváns anyagból, jelölje a dokumentumhatárokat, és kérjen visszakövethető bizonyítékokat ahelyett, hogy a lehető legnagyobb bemenetet egy világos kérdés helyettesítőjének tekintené.
Generálási útmutatás és korlátok
A Qwen ajánlott beállításai: temperature 0.6, top_p 0.95, top_k 20 és min_p 0. A legtöbb kérdéshez 32,768 tokenes kimeneti keretet, szokatlanul nehéz matematikai vagy programozási problémákhoz 81,920 tokent javasol. Ezek generálásikeret-ajánlások, nem külön közzétett merev kimeneti felső határok. Nulla és kettő közötti jelenléti büntetés csökkentheti az ismétlést, de a magasabb értékek keverhetik a nyelveket vagy kissé ronthatják a minőséget.
A promptban határozza meg a végső válasz formátumát, például határolókkal elkülönített matematikai eredményt vagy feleletválasztós kérdés válaszmezőjét. A gyártó ajánlásának megfelelően csak a végső válasz részét őrizze meg a beszélgetési előzményekben. A hosszabb következtetés akkor hasznos, ha ellenőrizhető eredményt ad; az eredményre támaszkodás előtt vizsgálja meg a feltevéseket, számításokat és a javasolt kódot.
POST /v1/chat/completionstexttext| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok Qwen/Qwen3-30B-A3B-Thinking-2507 | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok Minimális elemszám: 1 | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmessages[].content | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: Szöveges beszélgetés | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
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 |
Paramétercontrol_scope | SzerződésSzöveges beszélgetés; a stream logikai érték, alapértéke false. |
Paraméteroutput_modalities | Szerződéstext |
Paraméterhosted_operations | Szerződésfalse |
Paramétermultimodal_input_binding | Szerződésnull |
Metódus álnevei: /chat/completions
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.
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | 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-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 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-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-2507A Qwen3-30B-A3B-Thinking-2507 a Qwen kizárólag gondolkodási módú szövegmodellje igényes matematikai, tudományos, kódolási és logikai következtetési feladatokhoz. Ez a rögzített 2507 kiadás natív 262,144 tokenes kontextust és hosszabb következtetési keretet biztosít, dokumentált eszközhívással és feltételes, rendkívül hosszú kontextusú munkafolyamatokkal.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
Fő jellemzők: a rögzített Thinking-2507 kiadás
A Qwen3-30B-A3B-Thinking-2507 nehéz következtetési feladatokra összpontosító szöveggeneráló modell. A Qwen fejlesztéseket ír le a logika, matematika, természettudományok, kódolás, utasításkövetés, eszközhasználat és szöveggenerálás terén, hosszabb gondolkodási sorozatokkal és jobb hosszúkontextus-értéssel együtt. Ezt a pontos 2507 kiadást válassza, ha a feladat számára előnyös a kitartó következtetés, például versengő magyarázatok vizsgálata, több szakaszból álló matematikai probléma megoldása vagy összetett kódmódosítás átgondolása esetén.
A modell áttekintése és üzemmódja
A szakértőkeverékes modell összesen 30.5 milliárd paraméterrel, 3.3 milliárd aktivált paraméterrel, 128 szakértővel, tokenenként nyolc kiválasztott szakértővel és 48 réteggel rendelkezik. Natív kontextusa 262,144 token. Szöveget fogad és szöveget ad vissza; az eszközeredményeket kapcsolódó alkalmazási munkafolyamat biztosítja. Ez a modellellenőrzőpont csak gondolkodást támogat. Különbözik a korábbi hibrid Qwen3-30B-A3B modelltől, annak FP8 kiadásától és a Qwen3-30B-A3B-Instruct-2507 modelltől. Nem szabad feltételezni, hogy a hibrid modell gondolkodást kikapcsoló beállítása itt is alkalmazható.
Az alapértelmezett chatsablon már nyitó gondolkodási jelölővel indítja a következtetési sorozatot, ezért nincs szükség kifejezett enable_thinking=True beállításra. A visszaadott sorozat tartalmazhatja a záró jelölőt anélkül, hogy megismételné a nyitót. A gyártó példája különválasztja a következtetést a végső választól. Konkrét eredmény kérésekor őrizze meg e különbséget: egy bizonyítás következtetése, javítócsomag vagy döntési táblázat a hosszabb magyarázat után is maradjon könnyen megtalálható.
Nehéz feladat előkészítése
Adja meg a modellnek a teljes problémaleírást, a korlátokat és a releváns bizonyítékokat. Kódmódosításhoz mellékelje a meglévő függvényt, egy hibát kiváltó bemenetet és az elvárt működést, majd kérjen javasolt javítócsomagot a szélső esetek magyarázatával. Tudományos kérdésnél különítse el a megfigyeléseket a feltevésektől, és kérdezze meg, melyikből milyen következtetés adódik. Hosszú szabályzatnál vagy specifikációnál őrizze meg a szakaszazonosítókat, és kérjen a releváns rendelkezésekkel alátámasztott tömör döntést. Ezek a dokumentált következtetési területek gyakorlati felhasználásai, nem állítások arról, hogy a modell végrehajtott egy javítást vagy ellenőrzött egy kísérletet.
Mivel ez a változat hosszan következtethet, tartalékoljon helyet a következtetésnek és a végső eredménynek is. A Qwen a modell konfigurálásakor lehetőség szerint 131,072 token feletti kontextus megtartását javasolja, még akkor is, ha a kisebb kontextus csökkentené a memóriaterhelést. A natív kontextusadat a teljes sorozat keretét tartalmazza; nem ígéret arra, hogy az egészet dokumentumra lehet használni korlátlan válaszhely mellett.
Ügynökalapú használat
A gyártó eszközhívást dokumentál, és a Qwen-Agent használatát ajánlja eszközsablonokhoz és feldolgozáshoz, beleértve a konfigurált eszközökkel és kódértelmezős munkafolyamatokkal való integrációt. Egyértelműen határozza meg az eszközöket és a kívánt eredményt. Például egy alkalmazás engedélyezheti a modellnek a visszakeresett bizonyítékok vizsgálatát, egy engedélyezett számológép használatát, majd a számítást magyarázó jelentés elkészítését. A visszakeresés és végrehajtás a kapcsolódó eszközök feladata; a modell eszközhívási képessége önmagában nem igazol internet-, kódkörnyezet- vagy üzletirendszer-hozzáférést.
Rendkívül hosszú szöveg feldolgozása
A Qwen opcionális, körülbelül egymillió tokenig terjedő munkafolyamatot dokumentál a Dual Chunk Attention és a MInference ritka figyelmi mechanizmus egyesítésével. Az első technika hosszú sorozatokat részekre bont úgy, hogy megőrzi a részek közötti kölcsönhatásokat; a második kiválasztott figyelmi kapcsolatokra összpontosítja a számítást. Ez a natív 262,144 tokenes kontextuson túli kiegészítő konfigurációs út. A gyártó receptje speciális hosszúkontextus-konfigurációt igényel, és a súlyokhoz, a gyorsítótárazott figyelmi állapothoz és a csúcsaktivációkhoz összesen körülbelül 240 GB GPU-memóriát becsül.
E receptnek konkrét erőforráskorlátai vannak: a gyorsítótárazott sorozatállapot, az aktivációs memória és a teljes bemeneti hossz külön-külön is kimerítheti a konfigurált kapacitást. Az egymillió tokenes munkafolyamat ezért a konfigurációtól, memóriától és a támogatott figyelmimechanizmus-megvalósítástól függ. Gyakorlati dokumentum-felülvizsgálathoz induljon a releváns anyagból, jelölje a dokumentumhatárokat, és kérjen visszakövethető bizonyítékokat ahelyett, hogy a lehető legnagyobb bemenetet egy világos kérdés helyettesítőjének tekintené.
Generálási útmutatás és korlátok
A Qwen ajánlott beállításai: temperature 0.6, top_p 0.95, top_k 20 és min_p 0. A legtöbb kérdéshez 32,768 tokenes kimeneti keretet, szokatlanul nehéz matematikai vagy programozási problémákhoz 81,920 tokent javasol. Ezek generálásikeret-ajánlások, nem külön közzétett merev kimeneti felső határok. Nulla és kettő közötti jelenléti büntetés csökkentheti az ismétlést, de a magasabb értékek keverhetik a nyelveket vagy kissé ronthatják a minőséget.
A promptban határozza meg a végső válasz formátumát, például határolókkal elkülönített matematikai eredményt vagy feleletválasztós kérdés válaszmezőjét. A gyártó ajánlásának megfelelően csak a végső válasz részét őrizze meg a beszélgetési előzményekben. A hosszabb következtetés akkor hasznos, ha ellenőrizhető eredményt ad; az eredményre támaszkodás előtt vizsgálja meg a feltevéseket, számításokat és a javasolt kódot.
POST /v1/messagestextjson, sse| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok Qwen/Qwen3-30B-A3B-Thinking-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.
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | 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 $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
{\n "model": "Qwen/Qwen3-30B-A3B-Thinking-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
qwen3-30b-a3b-thinking-2507A Qwen3-30B-A3B-Thinking-2507 a Qwen kizárólag gondolkodási módú szövegmodellje igényes matematikai, tudományos, kódolási és logikai következtetési feladatokhoz. Ez a rögzített 2507 kiadás natív 262,144 tokenes kontextust és hosszabb következtetési keretet biztosít, dokumentált eszközhívással és feltételes, rendkívül hosszú kontextusú munkafolyamatokkal.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
Fő jellemzők: a rögzített Thinking-2507 kiadás
A Qwen3-30B-A3B-Thinking-2507 nehéz következtetési feladatokra összpontosító szöveggeneráló modell. A Qwen fejlesztéseket ír le a logika, matematika, természettudományok, kódolás, utasításkövetés, eszközhasználat és szöveggenerálás terén, hosszabb gondolkodási sorozatokkal és jobb hosszúkontextus-értéssel együtt. Ezt a pontos 2507 kiadást válassza, ha a feladat számára előnyös a kitartó következtetés, például versengő magyarázatok vizsgálata, több szakaszból álló matematikai probléma megoldása vagy összetett kódmódosítás átgondolása esetén.
A modell áttekintése és üzemmódja
A szakértőkeverékes modell összesen 30.5 milliárd paraméterrel, 3.3 milliárd aktivált paraméterrel, 128 szakértővel, tokenenként nyolc kiválasztott szakértővel és 48 réteggel rendelkezik. Natív kontextusa 262,144 token. Szöveget fogad és szöveget ad vissza; az eszközeredményeket kapcsolódó alkalmazási munkafolyamat biztosítja. Ez a modellellenőrzőpont csak gondolkodást támogat. Különbözik a korábbi hibrid Qwen3-30B-A3B modelltől, annak FP8 kiadásától és a Qwen3-30B-A3B-Instruct-2507 modelltől. Nem szabad feltételezni, hogy a hibrid modell gondolkodást kikapcsoló beállítása itt is alkalmazható.
Az alapértelmezett chatsablon már nyitó gondolkodási jelölővel indítja a következtetési sorozatot, ezért nincs szükség kifejezett enable_thinking=True beállításra. A visszaadott sorozat tartalmazhatja a záró jelölőt anélkül, hogy megismételné a nyitót. A gyártó példája különválasztja a következtetést a végső választól. Konkrét eredmény kérésekor őrizze meg e különbséget: egy bizonyítás következtetése, javítócsomag vagy döntési táblázat a hosszabb magyarázat után is maradjon könnyen megtalálható.
Nehéz feladat előkészítése
Adja meg a modellnek a teljes problémaleírást, a korlátokat és a releváns bizonyítékokat. Kódmódosításhoz mellékelje a meglévő függvényt, egy hibát kiváltó bemenetet és az elvárt működést, majd kérjen javasolt javítócsomagot a szélső esetek magyarázatával. Tudományos kérdésnél különítse el a megfigyeléseket a feltevésektől, és kérdezze meg, melyikből milyen következtetés adódik. Hosszú szabályzatnál vagy specifikációnál őrizze meg a szakaszazonosítókat, és kérjen a releváns rendelkezésekkel alátámasztott tömör döntést. Ezek a dokumentált következtetési területek gyakorlati felhasználásai, nem állítások arról, hogy a modell végrehajtott egy javítást vagy ellenőrzött egy kísérletet.
Mivel ez a változat hosszan következtethet, tartalékoljon helyet a következtetésnek és a végső eredménynek is. A Qwen a modell konfigurálásakor lehetőség szerint 131,072 token feletti kontextus megtartását javasolja, még akkor is, ha a kisebb kontextus csökkentené a memóriaterhelést. A natív kontextusadat a teljes sorozat keretét tartalmazza; nem ígéret arra, hogy az egészet dokumentumra lehet használni korlátlan válaszhely mellett.
Ügynökalapú használat
A gyártó eszközhívást dokumentál, és a Qwen-Agent használatát ajánlja eszközsablonokhoz és feldolgozáshoz, beleértve a konfigurált eszközökkel és kódértelmezős munkafolyamatokkal való integrációt. Egyértelműen határozza meg az eszközöket és a kívánt eredményt. Például egy alkalmazás engedélyezheti a modellnek a visszakeresett bizonyítékok vizsgálatát, egy engedélyezett számológép használatát, majd a számítást magyarázó jelentés elkészítését. A visszakeresés és végrehajtás a kapcsolódó eszközök feladata; a modell eszközhívási képessége önmagában nem igazol internet-, kódkörnyezet- vagy üzletirendszer-hozzáférést.
Rendkívül hosszú szöveg feldolgozása
A Qwen opcionális, körülbelül egymillió tokenig terjedő munkafolyamatot dokumentál a Dual Chunk Attention és a MInference ritka figyelmi mechanizmus egyesítésével. Az első technika hosszú sorozatokat részekre bont úgy, hogy megőrzi a részek közötti kölcsönhatásokat; a második kiválasztott figyelmi kapcsolatokra összpontosítja a számítást. Ez a natív 262,144 tokenes kontextuson túli kiegészítő konfigurációs út. A gyártó receptje speciális hosszúkontextus-konfigurációt igényel, és a súlyokhoz, a gyorsítótárazott figyelmi állapothoz és a csúcsaktivációkhoz összesen körülbelül 240 GB GPU-memóriát becsül.
E receptnek konkrét erőforráskorlátai vannak: a gyorsítótárazott sorozatállapot, az aktivációs memória és a teljes bemeneti hossz külön-külön is kimerítheti a konfigurált kapacitást. Az egymillió tokenes munkafolyamat ezért a konfigurációtól, memóriától és a támogatott figyelmimechanizmus-megvalósítástól függ. Gyakorlati dokumentum-felülvizsgálathoz induljon a releváns anyagból, jelölje a dokumentumhatárokat, és kérjen visszakövethető bizonyítékokat ahelyett, hogy a lehető legnagyobb bemenetet egy világos kérdés helyettesítőjének tekintené.
Generálási útmutatás és korlátok
A Qwen ajánlott beállításai: temperature 0.6, top_p 0.95, top_k 20 és min_p 0. A legtöbb kérdéshez 32,768 tokenes kimeneti keretet, szokatlanul nehéz matematikai vagy programozási problémákhoz 81,920 tokent javasol. Ezek generálásikeret-ajánlások, nem külön közzétett merev kimeneti felső határok. Nulla és kettő közötti jelenléti büntetés csökkentheti az ismétlést, de a magasabb értékek keverhetik a nyelveket vagy kissé ronthatják a minőséget.
A promptban határozza meg a végső válasz formátumát, például határolókkal elkülönített matematikai eredményt vagy feleletválasztós kérdés válaszmezőjét. A gyártó ajánlásának megfelelően csak a végső válasz részét őrizze meg a beszélgetési előzményekben. A hosszabb következtetés akkor hasznos, ha ellenőrizhető eredményt ad; az eredményre támaszkodás előtt vizsgálja meg a feltevéseket, számításokat és a javasolt kódot.
POST /v1/chat/completionstexttext| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok qwen3-30b-a3b-thinking-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.
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | 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": "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 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-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
qwen3-30b-a3b-thinking-2507A Qwen3-30B-A3B-Thinking-2507 a Qwen kizárólag gondolkodási módú szövegmodellje igényes matematikai, tudományos, kódolási és logikai következtetési feladatokhoz. Ez a rögzített 2507 kiadás natív 262,144 tokenes kontextust és hosszabb következtetési keretet biztosít, dokumentált eszközhívással és feltételes, rendkívül hosszú kontextusú munkafolyamatokkal.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
Fő jellemzők: a rögzített Thinking-2507 kiadás
A Qwen3-30B-A3B-Thinking-2507 nehéz következtetési feladatokra összpontosító szöveggeneráló modell. A Qwen fejlesztéseket ír le a logika, matematika, természettudományok, kódolás, utasításkövetés, eszközhasználat és szöveggenerálás terén, hosszabb gondolkodási sorozatokkal és jobb hosszúkontextus-értéssel együtt. Ezt a pontos 2507 kiadást válassza, ha a feladat számára előnyös a kitartó következtetés, például versengő magyarázatok vizsgálata, több szakaszból álló matematikai probléma megoldása vagy összetett kódmódosítás átgondolása esetén.
A modell áttekintése és üzemmódja
A szakértőkeverékes modell összesen 30.5 milliárd paraméterrel, 3.3 milliárd aktivált paraméterrel, 128 szakértővel, tokenenként nyolc kiválasztott szakértővel és 48 réteggel rendelkezik. Natív kontextusa 262,144 token. Szöveget fogad és szöveget ad vissza; az eszközeredményeket kapcsolódó alkalmazási munkafolyamat biztosítja. Ez a modellellenőrzőpont csak gondolkodást támogat. Különbözik a korábbi hibrid Qwen3-30B-A3B modelltől, annak FP8 kiadásától és a Qwen3-30B-A3B-Instruct-2507 modelltől. Nem szabad feltételezni, hogy a hibrid modell gondolkodást kikapcsoló beállítása itt is alkalmazható.
Az alapértelmezett chatsablon már nyitó gondolkodási jelölővel indítja a következtetési sorozatot, ezért nincs szükség kifejezett enable_thinking=True beállításra. A visszaadott sorozat tartalmazhatja a záró jelölőt anélkül, hogy megismételné a nyitót. A gyártó példája különválasztja a következtetést a végső választól. Konkrét eredmény kérésekor őrizze meg e különbséget: egy bizonyítás következtetése, javítócsomag vagy döntési táblázat a hosszabb magyarázat után is maradjon könnyen megtalálható.
Nehéz feladat előkészítése
Adja meg a modellnek a teljes problémaleírást, a korlátokat és a releváns bizonyítékokat. Kódmódosításhoz mellékelje a meglévő függvényt, egy hibát kiváltó bemenetet és az elvárt működést, majd kérjen javasolt javítócsomagot a szélső esetek magyarázatával. Tudományos kérdésnél különítse el a megfigyeléseket a feltevésektől, és kérdezze meg, melyikből milyen következtetés adódik. Hosszú szabályzatnál vagy specifikációnál őrizze meg a szakaszazonosítókat, és kérjen a releváns rendelkezésekkel alátámasztott tömör döntést. Ezek a dokumentált következtetési területek gyakorlati felhasználásai, nem állítások arról, hogy a modell végrehajtott egy javítást vagy ellenőrzött egy kísérletet.
Mivel ez a változat hosszan következtethet, tartalékoljon helyet a következtetésnek és a végső eredménynek is. A Qwen a modell konfigurálásakor lehetőség szerint 131,072 token feletti kontextus megtartását javasolja, még akkor is, ha a kisebb kontextus csökkentené a memóriaterhelést. A natív kontextusadat a teljes sorozat keretét tartalmazza; nem ígéret arra, hogy az egészet dokumentumra lehet használni korlátlan válaszhely mellett.
Ügynökalapú használat
A gyártó eszközhívást dokumentál, és a Qwen-Agent használatát ajánlja eszközsablonokhoz és feldolgozáshoz, beleértve a konfigurált eszközökkel és kódértelmezős munkafolyamatokkal való integrációt. Egyértelműen határozza meg az eszközöket és a kívánt eredményt. Például egy alkalmazás engedélyezheti a modellnek a visszakeresett bizonyítékok vizsgálatát, egy engedélyezett számológép használatát, majd a számítást magyarázó jelentés elkészítését. A visszakeresés és végrehajtás a kapcsolódó eszközök feladata; a modell eszközhívási képessége önmagában nem igazol internet-, kódkörnyezet- vagy üzletirendszer-hozzáférést.
Rendkívül hosszú szöveg feldolgozása
A Qwen opcionális, körülbelül egymillió tokenig terjedő munkafolyamatot dokumentál a Dual Chunk Attention és a MInference ritka figyelmi mechanizmus egyesítésével. Az első technika hosszú sorozatokat részekre bont úgy, hogy megőrzi a részek közötti kölcsönhatásokat; a második kiválasztott figyelmi kapcsolatokra összpontosítja a számítást. Ez a natív 262,144 tokenes kontextuson túli kiegészítő konfigurációs út. A gyártó receptje speciális hosszúkontextus-konfigurációt igényel, és a súlyokhoz, a gyorsítótárazott figyelmi állapothoz és a csúcsaktivációkhoz összesen körülbelül 240 GB GPU-memóriát becsül.
E receptnek konkrét erőforráskorlátai vannak: a gyorsítótárazott sorozatállapot, az aktivációs memória és a teljes bemeneti hossz külön-külön is kimerítheti a konfigurált kapacitást. Az egymillió tokenes munkafolyamat ezért a konfigurációtól, memóriától és a támogatott figyelmimechanizmus-megvalósítástól függ. Gyakorlati dokumentum-felülvizsgálathoz induljon a releváns anyagból, jelölje a dokumentumhatárokat, és kérjen visszakövethető bizonyítékokat ahelyett, hogy a lehető legnagyobb bemenetet egy világos kérdés helyettesítőjének tekintené.
Generálási útmutatás és korlátok
A Qwen ajánlott beállításai: temperature 0.6, top_p 0.95, top_k 20 és min_p 0. A legtöbb kérdéshez 32,768 tokenes kimeneti keretet, szokatlanul nehéz matematikai vagy programozási problémákhoz 81,920 tokent javasol. Ezek generálásikeret-ajánlások, nem külön közzétett merev kimeneti felső határok. Nulla és kettő közötti jelenléti büntetés csökkentheti az ismétlést, de a magasabb értékek keverhetik a nyelveket vagy kissé ronthatják a minőséget.
A promptban határozza meg a végső válasz formátumát, például határolókkal elkülönített matematikai eredményt vagy feleletválasztós kérdés válaszmezőjét. A gyártó ajánlásának megfelelően csak a végső válasz részét őrizze meg a beszélgetési előzményekben. A hosszabb következtetés akkor hasznos, ha ellenőrizhető eredményt ad; az eredményre támaszkodás előtt vizsgálja meg a feltevéseket, számításokat és a javasolt kódot.
POST /v1/messagestextjson, sse| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok qwen3-30b-a3b-thinking-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.
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | 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 $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
{\n "model": "qwen3-30b-a3b-thinking-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
Technikai példa angolul
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.