Qwen3-235B-A22B-FP8 adalah edisi FP8 resmi Qwen3-235B-A22B. Kemampuan teks yang diperkenalkan mencakup penalaran matematika dan logika, generasi kode, penulisan kreatif, dialog berbasis peran, dan mengikuti instruksi multigiliran dalam lebih dari 100 bahasa dan dialek. Model menggabungkan mode berpikir dan respons langsung. Gunakan untuk tugas yang menyatukan beberapa batasan, seperti membandingkan dua implementasi terhadap spesifikasi sama dan mengubah perbandingan menjadi usulan perubahan konkret.
Arsitektur dasar adalah mixture-of-experts: total 235 miliar parameter, 22 miliar aktif saat pemrosesan, 94 lapisan, dan 128 ahli dengan delapan dipilih per token. Grouped-query attention memakai 64 head kueri dan empat head key/value. Akhiran FP8 mengidentifikasi checkpoint yang dipublikasikan terpisah, bukan modalitas respons tambahan atau jumlah parameter berbeda. Model menerima teks dan menghasilkan teks. Berikan asisten peninjauan kode spesifikasi, berkas sumber relevan, dan perilaku yang diharapkan; minta tabel keputusan, modifikasi yang dipilih, dan contoh yang menunjukkan hasil yang dimaksud.
Alur awal pengembang memformat sumber dan instruksi sebagai percakapan. Untuk perbandingan dokumen, labeli versi, nyatakan otoritas tiap sumber, dan tentukan persyaratan yang harus tetap tidak berubah. Untuk pertanyaan matematika, sertakan pernyataan lengkap dan bentuk jawaban akhir yang diinginkan. Untuk tugas implementasi, tentukan bahasa, struktur masukan sebenarnya, kasus kegagalan, dan antarmuka yang perlu dipertahankan. Nyatakan artefak akhir secara eksplisit agar jawaban panjang tetap menyelesaikan permintaan asli. Integrasi yang dipublikasikan membutuhkan lingkungan eksekusi yang mengenali Qwen3; kartu memperingatkan bahwa versi Transformers di bawah 4.51.0 tidak mengenali arsitektur yang diperlukan.
Edisi ini memiliki catatan FP8 khusus. Checkpoint memakai kuantisasi FP8 berbutir halus dengan ukuran blok 128; konfigurasi yang dipublikasikan mencatat skema kuantisasi. Pengembang mencantumkan Transformers, SGLang, dan vLLM sebagai pilihan inferensi, dengan peringatan mengenai masalah FP8 berbutir halus dalam inferensi Transformers terdistribusi. Penggunaan banyak perangkat mungkin memerlukan CUDA_LAUNCH_BLOCKING=1. Ini adalah detail kompatibilitas khusus edisi, bukan alasan mengasumsikan kecepatan, pemakaian memori, atau kualitas keluaran sama di berbagai lingkungan eksekusi. Pertahankan nama FP8 penuh ketika membandingkan atau mencatat hasil, dan nilai checkpoint sebenarnya dalam lingkungan yang dituju.
Berpikir adalah bawaan dalam templat chat yang diberikan, dan sakelar keras dapat mematikannya. Ketika berpikir diaktifkan, /think dan /no_think dapat mengontrol tiap giliran; instruksi terbaru diutamakan. Sakelar lunak tidak menimpa penonaktifan keras. Pisahkan jawaban akhir dari bagian penalaran yang dihasilkan dan bawa jawaban akhir ke riwayat dialog berikutnya. Analisis kontradiksi terperinci dapat meminta berpikir, sedangkan tindak lanjut yang memformat ulang kesimpulan diterima dapat meminta respons langsung. Dengan berpikir diaktifkan, bahkan permintaan lunak tanpa berpikir tetap mempertahankan blok penalaran; isinya dapat kosong. Penonaktifan keras menghapus blok tersebut.
Kartu menyarankan Qwen-Agent untuk templat dan penguraian pemanggilan alat. Dalam asisten teknik, aplikasi dapat menyediakan pelaksana pengujian atau pencarian sumber hanya baca, mengeksekusi pemanggilan yang diterima, dan mengembalikan bukti untuk jawaban berikutnya. Tentukan masukan alat, izin, dan bidang hasil. Wajibkan asisten menghubungkan usulan perubahannya dengan hasil yang dikembalikan dan membedakan pengujian yang dimintanya dari pengujian yang benar-benar diselesaikan aplikasi. Kemampuan model terkait alat bergantung pada alur eksekusi yang membungkusnya. Panduan Qwen3 juga menjelaskan pemanggilan alat paralel dan multilangkah, dengan argumen direpresentasikan sebagai objek dan hasil diberikan kembali ke percakapan.
Konteks asli adalah 32.768 token, dengan 131.072 didokumentasikan melalui perluasan YaRN. Masukan dan keluaran yang dihasilkan berbagi anggaran urutan. Jendela lebih besar membutuhkan konfigurasi terkait, dan YaRN statis dapat memengaruhi masukan pendek. Susun materi sumber panjang berdasarkan berkas atau bagian dan sisakan ruang untuk perbandingan akhir atau kode. Panjang keluaran pada panduan mulai cepat dan rekomendasi praktik terbaik adalah panduan generasi, bukan bukti tentang maksimum keluaran mandiri untuk seluruh layanan. Dokumentasi Qwen3 membahas panjang pesan asisten 38.912 token dalam mode berpikir dan 16.384 dalam mode tanpa berpikir dalam penjelasan panjang pelatihannya, serta menyarankan evaluasi kualitas generasi lebih panjang. Angka ini berbeda dari jendela konteks keseluruhan dan bukan batas keras khusus endpoint. Kartu juga menjelaskan alokasi posisi bawaan 40.960 token sebagai 8.192 untuk prompt umum ditambah 32.768 untuk keluaran; ini adalah panduan konfigurasi pengembang yang terpisah dari konteks pelatihan asli dan batas endpoint apa pun.
Pengambilan sampel yang disarankan dalam mode berpikir adalah temperature 0,6, top-p 0,95, top-k 20, dan min-p 0; mode langsung memakai 0,7, 0,8, 20, dan 0. Greedy decoding dalam mode berpikir dapat menyebabkan pengulangan, dan presence penalty lebih kuat dapat menimbulkan pencampuran bahasa. Minta struktur akhir yang dapat diperiksa, seperti tabel hasil diikuti fungsi yang diubah dan kasus relevan. Periksa kesimpulan numerik, jalankan kode dalam lingkungan sasaran, dan tinjau hasil alat sebelum menerapkan usulan perubahan. Identitas checkpoint FP8 dan peringatan lingkungan eksekusinya sebaiknya tetap menyertai evaluasi tersebut.
", "aboutText": "Qwen3-235B-A22B-FP8 adalah edisi FP8 resmi Qwen3-235B-A22B. Kemampuan teks yang diperkenalkan mencakup penalaran matematika dan logika, generasi kode, penulisan kreatif, dialog berbasis peran, dan mengikuti instruksi multigiliran dalam lebih dari 100 bahasa dan dialek. Model menggabungkan mode berpikir dan respons langsung. Gunakan untuk tugas yang menyatukan beberapa batasan, seperti membandingkan dua implementasi terhadap spesifikasi sama dan mengubah perbandingan menjadi usulan perubahan konkret.\n\nArsitektur dasar adalah mixture-of-experts: total 235 miliar parameter, 22 miliar aktif saat pemrosesan, 94 lapisan, dan 128 ahli dengan delapan dipilih per token. Grouped-query attention memakai 64 head kueri dan empat head key/value. Akhiran FP8 mengidentifikasi checkpoint yang dipublikasikan terpisah, bukan modalitas respons tambahan atau jumlah parameter berbeda. Model menerima teks dan menghasilkan teks. Berikan asisten peninjauan kode spesifikasi, berkas sumber relevan, dan perilaku yang diharapkan; minta tabel keputusan, modifikasi yang dipilih, dan contoh yang menunjukkan hasil yang dimaksud.\n\nAlur awal pengembang memformat sumber dan instruksi sebagai percakapan. Untuk perbandingan dokumen, labeli versi, nyatakan otoritas tiap sumber, dan tentukan persyaratan yang harus tetap tidak berubah. Untuk pertanyaan matematika, sertakan pernyataan lengkap dan bentuk jawaban akhir yang diinginkan. Untuk tugas implementasi, tentukan bahasa, struktur masukan sebenarnya, kasus kegagalan, dan antarmuka yang perlu dipertahankan. Nyatakan artefak akhir secara eksplisit agar jawaban panjang tetap menyelesaikan permintaan asli. Integrasi yang dipublikasikan membutuhkan lingkungan eksekusi yang mengenali Qwen3; kartu memperingatkan bahwa versi Transformers di bawah 4.51.0 tidak mengenali arsitektur yang diperlukan.\n\nEdisi ini memiliki catatan FP8 khusus. Checkpoint memakai kuantisasi FP8 berbutir halus dengan ukuran blok 128; konfigurasi yang dipublikasikan mencatat skema kuantisasi. Pengembang mencantumkan Transformers, SGLang, dan vLLM sebagai pilihan inferensi, dengan peringatan mengenai masalah FP8 berbutir halus dalam inferensi Transformers terdistribusi. Penggunaan banyak perangkat mungkin memerlukan CUDA_LAUNCH_BLOCKING=1. Ini adalah detail kompatibilitas khusus edisi, bukan alasan mengasumsikan kecepatan, pemakaian memori, atau kualitas keluaran sama di berbagai lingkungan eksekusi. Pertahankan nama FP8 penuh ketika membandingkan atau mencatat hasil, dan nilai checkpoint sebenarnya dalam lingkungan yang dituju.\n\nBerpikir adalah bawaan dalam templat chat yang diberikan, dan sakelar keras dapat mematikannya. Ketika berpikir diaktifkan, /think dan /no_think dapat mengontrol tiap giliran; instruksi terbaru diutamakan. Sakelar lunak tidak menimpa penonaktifan keras. Pisahkan jawaban akhir dari bagian penalaran yang dihasilkan dan bawa jawaban akhir ke riwayat dialog berikutnya. Analisis kontradiksi terperinci dapat meminta berpikir, sedangkan tindak lanjut yang memformat ulang kesimpulan diterima dapat meminta respons langsung. Dengan berpikir diaktifkan, bahkan permintaan lunak tanpa berpikir tetap mempertahankan blok penalaran; isinya dapat kosong. Penonaktifan keras menghapus blok tersebut.\n\nKartu menyarankan Qwen-Agent untuk templat dan penguraian pemanggilan alat. Dalam asisten teknik, aplikasi dapat menyediakan pelaksana pengujian atau pencarian sumber hanya baca, mengeksekusi pemanggilan yang diterima, dan mengembalikan bukti untuk jawaban berikutnya. Tentukan masukan alat, izin, dan bidang hasil. Wajibkan asisten menghubungkan usulan perubahannya dengan hasil yang dikembalikan dan membedakan pengujian yang dimintanya dari pengujian yang benar-benar diselesaikan aplikasi. Kemampuan model terkait alat bergantung pada alur eksekusi yang membungkusnya. Panduan Qwen3 juga menjelaskan pemanggilan alat paralel dan multilangkah, dengan argumen direpresentasikan sebagai objek dan hasil diberikan kembali ke percakapan.\n\nKonteks asli adalah 32.768 token, dengan 131.072 didokumentasikan melalui perluasan YaRN. Masukan dan keluaran yang dihasilkan berbagi anggaran urutan. Jendela lebih besar membutuhkan konfigurasi terkait, dan YaRN statis dapat memengaruhi masukan pendek. Susun materi sumber panjang berdasarkan berkas atau bagian dan sisakan ruang untuk perbandingan akhir atau kode. Panjang keluaran pada panduan mulai cepat dan rekomendasi praktik terbaik adalah panduan generasi, bukan bukti tentang maksimum keluaran mandiri untuk seluruh layanan. Dokumentasi Qwen3 membahas panjang pesan asisten 38.912 token dalam mode berpikir dan 16.384 dalam mode tanpa berpikir dalam penjelasan panjang pelatihannya, serta menyarankan evaluasi kualitas generasi lebih panjang. Angka ini berbeda dari jendela konteks keseluruhan dan bukan batas keras khusus endpoint. Kartu juga menjelaskan alokasi posisi bawaan 40.960 token sebagai 8.192 untuk prompt umum ditambah 32.768 untuk keluaran; ini adalah panduan konfigurasi pengembang yang terpisah dari konteks pelatihan asli dan batas endpoint apa pun.\n\nPengambilan sampel yang disarankan dalam mode berpikir adalah temperature 0,6, top-p 0,95, top-k 20, dan min-p 0; mode langsung memakai 0,7, 0,8, 20, dan 0. Greedy decoding dalam mode berpikir dapat menyebabkan pengulangan, dan presence penalty lebih kuat dapat menimbulkan pencampuran bahasa. Minta struktur akhir yang dapat diperiksa, seperti tabel hasil diikuti fungsi yang diubah dan kasus relevan. Periksa kesimpulan numerik, jalankan kode dalam lingkungan sasaran, dan tinjau hasil alat sebelum menerapkan usulan perubahan. Identitas checkpoint FP8 dan peringatan lingkungan eksekusinya sebaiknya tetap menyertai evaluasi tersebut.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Compare two normalizers to a contract\n\nThe contract requires unique case-sensitive tags in first-occurrence order. Compare Python A: return sorted(set(tags)) with B: return list(dict.fromkeys(tags)). Input: ["red", "Blue", "red", "blue"]. Give a criterion table, select the compliant implementation and provide tests for order and case preservation. Do not alter the contract to fit either implementation.A two-implementation decision table, a selected implementation and two contract-focused tests.Check that sorting is recognized as an order violation and Blue remains distinct from blue.qwen/qwen3-235b-a22b-fp8Qwen3-235B-A22B-FP8 adalah checkpoint FP8 berbutir halus resmi dari model mixture-of-experts besar Qwen3. Model mempertahankan kemampuan penalaran teks hibrida dan dialog, dengan identitas kuantisasi serta pertimbangan lingkungan eksekusinya sendiri.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Qwen3-235B-A22B-FP8 adalah edisi FP8 resmi Qwen3-235B-A22B. Kemampuan teks yang diperkenalkan mencakup penalaran matematika dan logika, generasi kode, penulisan kreatif, dialog berbasis peran, dan mengikuti instruksi multigiliran dalam lebih dari 100 bahasa dan dialek. Model menggabungkan mode berpikir dan respons langsung. Gunakan untuk tugas yang menyatukan beberapa batasan, seperti membandingkan dua implementasi terhadap spesifikasi sama dan mengubah perbandingan menjadi usulan perubahan konkret.
Arsitektur dasar adalah mixture-of-experts: total 235 miliar parameter, 22 miliar aktif saat pemrosesan, 94 lapisan, dan 128 ahli dengan delapan dipilih per token. Grouped-query attention memakai 64 head kueri dan empat head key/value. Akhiran FP8 mengidentifikasi checkpoint yang dipublikasikan terpisah, bukan modalitas respons tambahan atau jumlah parameter berbeda. Model menerima teks dan menghasilkan teks. Berikan asisten peninjauan kode spesifikasi, berkas sumber relevan, dan perilaku yang diharapkan; minta tabel keputusan, modifikasi yang dipilih, dan contoh yang menunjukkan hasil yang dimaksud.
Alur awal pengembang memformat sumber dan instruksi sebagai percakapan. Untuk perbandingan dokumen, labeli versi, nyatakan otoritas tiap sumber, dan tentukan persyaratan yang harus tetap tidak berubah. Untuk pertanyaan matematika, sertakan pernyataan lengkap dan bentuk jawaban akhir yang diinginkan. Untuk tugas implementasi, tentukan bahasa, struktur masukan sebenarnya, kasus kegagalan, dan antarmuka yang perlu dipertahankan. Nyatakan artefak akhir secara eksplisit agar jawaban panjang tetap menyelesaikan permintaan asli. Integrasi yang dipublikasikan membutuhkan lingkungan eksekusi yang mengenali Qwen3; kartu memperingatkan bahwa versi Transformers di bawah 4.51.0 tidak mengenali arsitektur yang diperlukan.
Edisi ini memiliki catatan FP8 khusus. Checkpoint memakai kuantisasi FP8 berbutir halus dengan ukuran blok 128; konfigurasi yang dipublikasikan mencatat skema kuantisasi. Pengembang mencantumkan Transformers, SGLang, dan vLLM sebagai pilihan inferensi, dengan peringatan mengenai masalah FP8 berbutir halus dalam inferensi Transformers terdistribusi. Penggunaan banyak perangkat mungkin memerlukan CUDA_LAUNCH_BLOCKING=1. Ini adalah detail kompatibilitas khusus edisi, bukan alasan mengasumsikan kecepatan, pemakaian memori, atau kualitas keluaran sama di berbagai lingkungan eksekusi. Pertahankan nama FP8 penuh ketika membandingkan atau mencatat hasil, dan nilai checkpoint sebenarnya dalam lingkungan yang dituju.
Berpikir adalah bawaan dalam templat chat yang diberikan, dan sakelar keras dapat mematikannya. Ketika berpikir diaktifkan, /think dan /no_think dapat mengontrol tiap giliran; instruksi terbaru diutamakan. Sakelar lunak tidak menimpa penonaktifan keras. Pisahkan jawaban akhir dari bagian penalaran yang dihasilkan dan bawa jawaban akhir ke riwayat dialog berikutnya. Analisis kontradiksi terperinci dapat meminta berpikir, sedangkan tindak lanjut yang memformat ulang kesimpulan diterima dapat meminta respons langsung. Dengan berpikir diaktifkan, bahkan permintaan lunak tanpa berpikir tetap mempertahankan blok penalaran; isinya dapat kosong. Penonaktifan keras menghapus blok tersebut.
Kartu menyarankan Qwen-Agent untuk templat dan penguraian pemanggilan alat. Dalam asisten teknik, aplikasi dapat menyediakan pelaksana pengujian atau pencarian sumber hanya baca, mengeksekusi pemanggilan yang diterima, dan mengembalikan bukti untuk jawaban berikutnya. Tentukan masukan alat, izin, dan bidang hasil. Wajibkan asisten menghubungkan usulan perubahannya dengan hasil yang dikembalikan dan membedakan pengujian yang dimintanya dari pengujian yang benar-benar diselesaikan aplikasi. Kemampuan model terkait alat bergantung pada alur eksekusi yang membungkusnya. Panduan Qwen3 juga menjelaskan pemanggilan alat paralel dan multilangkah, dengan argumen direpresentasikan sebagai objek dan hasil diberikan kembali ke percakapan.
Konteks asli adalah 32.768 token, dengan 131.072 didokumentasikan melalui perluasan YaRN. Masukan dan keluaran yang dihasilkan berbagi anggaran urutan. Jendela lebih besar membutuhkan konfigurasi terkait, dan YaRN statis dapat memengaruhi masukan pendek. Susun materi sumber panjang berdasarkan berkas atau bagian dan sisakan ruang untuk perbandingan akhir atau kode. Panjang keluaran pada panduan mulai cepat dan rekomendasi praktik terbaik adalah panduan generasi, bukan bukti tentang maksimum keluaran mandiri untuk seluruh layanan. Dokumentasi Qwen3 membahas panjang pesan asisten 38.912 token dalam mode berpikir dan 16.384 dalam mode tanpa berpikir dalam penjelasan panjang pelatihannya, serta menyarankan evaluasi kualitas generasi lebih panjang. Angka ini berbeda dari jendela konteks keseluruhan dan bukan batas keras khusus endpoint. Kartu juga menjelaskan alokasi posisi bawaan 40.960 token sebagai 8.192 untuk prompt umum ditambah 32.768 untuk keluaran; ini adalah panduan konfigurasi pengembang yang terpisah dari konteks pelatihan asli dan batas endpoint apa pun.
Pengambilan sampel yang disarankan dalam mode berpikir adalah temperature 0,6, top-p 0,95, top-k 20, dan min-p 0; mode langsung memakai 0,7, 0,8, 20, dan 0. Greedy decoding dalam mode berpikir dapat menyebabkan pengulangan, dan presence penalty lebih kuat dapat menimbulkan pencampuran bahasa. Minta struktur akhir yang dapat diperiksa, seperti tabel hasil diikuti fungsi yang diubah dan kasus relevan. Periksa kesimpulan numerik, jalankan kode dalam lingkungan sasaran, dan tinjau hasil alat sebelum menerapkan usulan perubahan. Identitas checkpoint FP8 dan peringatan lingkungan eksekusinya sebaiknya tetap menyertai evaluasi tersebut.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen/qwen3-235b-a22b-fp8 | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Contoh: system, user, assistant, tool, function Kondisi: Peran ini direpresentasikan secara eksplisit oleh tipe kompatibilitas dalam kode sumber; kumpulan peran model yang tepat tetap khusus untuk tiap model. Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring|content_part[]|null | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_calls | Jenistool_call[] | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_call_id | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: role=tool; gunakan ID yang benar-benar dikembalikan | Bawaan— |
Kolommessages[].name | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].reasoning_content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Kirim kembali penalaran yang benar-benar dikembalikan jika model ini menggunakannya | Bawaan— |
Kolommessages[].reasoning_details | Jenisobject|array | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolommax_completion_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Kolomstream_options.include_usage | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtemperature | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtop_p | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomstop | Jenisstring|string[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools | Jenisfunction_tool[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools[].type | Jenisstring | PersyaratanOpsional | Nilai & batasan function Bergantung pada model | Bawaan— |
Kolomtools[].function.name | Jenisstring | PersyaratanWajib | Nilai & batasan Berlaku jika: alat fungsi disediakan | Bawaan— |
Kolomtools[].function.description | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtools[].function.parameters | JenisJSON_schema | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtool_choice | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomparallel_tool_calls | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomresponse_format | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning_effort | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomservice_tier | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolominstructions | Jenisstring | PersyaratanOpsional | Nilai & batasan Kolom kompatibilitas | Bawaan— |
Kolomfunctions | Jenisfunction[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomfunction_call | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomprompt_cache_options | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommodalities | Jenisstring[] | PersyaratanOpsional | Nilai & batasan text | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak pada rute teks Ultra ini | Bawaan— |
Kolomcache_control.ttl | Jenisstring | PersyaratanOpsional | Nilai & batasan Kondisi: 1h ditolak pada lokasi cache prompt yang digunakan | Bawaan— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontrakarray pesan dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeda dari alat yang dihosting |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Siklus hidup: synchronous_or_streamed
Kirim ID model yang tepat bersama messages.
Panjang konteks bukan batas keluaran.
File teks dapat menyediakan teks apa adanya; masukan gambar/audio/objek file memerlukan pengikatan yang tepat.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.0004 / 1K token Keluaran · Token keluaran $0.0016 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-235b-a22b-fp8", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3-235b-a22b-fp8',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3-235b-a22b-fp8',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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap alternatif jawaban beserta konten, panggilan alat, dan penalarannya. Dalam SSE, gabungkan delta menurut indeks alternatif jawaban/alat, lalu pertahankan alasan penghentian akhir dan data penggunaan.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomchoices[].index | Jenisinteger |
Kolomchoices[].message.content | Jenisstring|null |
Kolomchoices[].message.tool_calls | Jenistool_call[] |
Kolomchoices[].message.reasoning_content | Jenisstring |
Kolomchoices[].message.reasoning_details | Jenisobject|array |
Kolomchoices[].finish_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra qwen/qwen3-235b-a22b-fp8
Gunakan jalur metode yang ditampilkan di atas.
qwen/qwen3-235b-a22b-fp8Qwen3-235B-A22B-FP8 adalah checkpoint FP8 berbutir halus resmi dari model mixture-of-experts besar Qwen3. Model mempertahankan kemampuan penalaran teks hibrida dan dialog, dengan identitas kuantisasi serta pertimbangan lingkungan eksekusinya sendiri.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Qwen3-235B-A22B-FP8 adalah edisi FP8 resmi Qwen3-235B-A22B. Kemampuan teks yang diperkenalkan mencakup penalaran matematika dan logika, generasi kode, penulisan kreatif, dialog berbasis peran, dan mengikuti instruksi multigiliran dalam lebih dari 100 bahasa dan dialek. Model menggabungkan mode berpikir dan respons langsung. Gunakan untuk tugas yang menyatukan beberapa batasan, seperti membandingkan dua implementasi terhadap spesifikasi sama dan mengubah perbandingan menjadi usulan perubahan konkret.
Arsitektur dasar adalah mixture-of-experts: total 235 miliar parameter, 22 miliar aktif saat pemrosesan, 94 lapisan, dan 128 ahli dengan delapan dipilih per token. Grouped-query attention memakai 64 head kueri dan empat head key/value. Akhiran FP8 mengidentifikasi checkpoint yang dipublikasikan terpisah, bukan modalitas respons tambahan atau jumlah parameter berbeda. Model menerima teks dan menghasilkan teks. Berikan asisten peninjauan kode spesifikasi, berkas sumber relevan, dan perilaku yang diharapkan; minta tabel keputusan, modifikasi yang dipilih, dan contoh yang menunjukkan hasil yang dimaksud.
Alur awal pengembang memformat sumber dan instruksi sebagai percakapan. Untuk perbandingan dokumen, labeli versi, nyatakan otoritas tiap sumber, dan tentukan persyaratan yang harus tetap tidak berubah. Untuk pertanyaan matematika, sertakan pernyataan lengkap dan bentuk jawaban akhir yang diinginkan. Untuk tugas implementasi, tentukan bahasa, struktur masukan sebenarnya, kasus kegagalan, dan antarmuka yang perlu dipertahankan. Nyatakan artefak akhir secara eksplisit agar jawaban panjang tetap menyelesaikan permintaan asli. Integrasi yang dipublikasikan membutuhkan lingkungan eksekusi yang mengenali Qwen3; kartu memperingatkan bahwa versi Transformers di bawah 4.51.0 tidak mengenali arsitektur yang diperlukan.
Edisi ini memiliki catatan FP8 khusus. Checkpoint memakai kuantisasi FP8 berbutir halus dengan ukuran blok 128; konfigurasi yang dipublikasikan mencatat skema kuantisasi. Pengembang mencantumkan Transformers, SGLang, dan vLLM sebagai pilihan inferensi, dengan peringatan mengenai masalah FP8 berbutir halus dalam inferensi Transformers terdistribusi. Penggunaan banyak perangkat mungkin memerlukan CUDA_LAUNCH_BLOCKING=1. Ini adalah detail kompatibilitas khusus edisi, bukan alasan mengasumsikan kecepatan, pemakaian memori, atau kualitas keluaran sama di berbagai lingkungan eksekusi. Pertahankan nama FP8 penuh ketika membandingkan atau mencatat hasil, dan nilai checkpoint sebenarnya dalam lingkungan yang dituju.
Berpikir adalah bawaan dalam templat chat yang diberikan, dan sakelar keras dapat mematikannya. Ketika berpikir diaktifkan, /think dan /no_think dapat mengontrol tiap giliran; instruksi terbaru diutamakan. Sakelar lunak tidak menimpa penonaktifan keras. Pisahkan jawaban akhir dari bagian penalaran yang dihasilkan dan bawa jawaban akhir ke riwayat dialog berikutnya. Analisis kontradiksi terperinci dapat meminta berpikir, sedangkan tindak lanjut yang memformat ulang kesimpulan diterima dapat meminta respons langsung. Dengan berpikir diaktifkan, bahkan permintaan lunak tanpa berpikir tetap mempertahankan blok penalaran; isinya dapat kosong. Penonaktifan keras menghapus blok tersebut.
Kartu menyarankan Qwen-Agent untuk templat dan penguraian pemanggilan alat. Dalam asisten teknik, aplikasi dapat menyediakan pelaksana pengujian atau pencarian sumber hanya baca, mengeksekusi pemanggilan yang diterima, dan mengembalikan bukti untuk jawaban berikutnya. Tentukan masukan alat, izin, dan bidang hasil. Wajibkan asisten menghubungkan usulan perubahannya dengan hasil yang dikembalikan dan membedakan pengujian yang dimintanya dari pengujian yang benar-benar diselesaikan aplikasi. Kemampuan model terkait alat bergantung pada alur eksekusi yang membungkusnya. Panduan Qwen3 juga menjelaskan pemanggilan alat paralel dan multilangkah, dengan argumen direpresentasikan sebagai objek dan hasil diberikan kembali ke percakapan.
Konteks asli adalah 32.768 token, dengan 131.072 didokumentasikan melalui perluasan YaRN. Masukan dan keluaran yang dihasilkan berbagi anggaran urutan. Jendela lebih besar membutuhkan konfigurasi terkait, dan YaRN statis dapat memengaruhi masukan pendek. Susun materi sumber panjang berdasarkan berkas atau bagian dan sisakan ruang untuk perbandingan akhir atau kode. Panjang keluaran pada panduan mulai cepat dan rekomendasi praktik terbaik adalah panduan generasi, bukan bukti tentang maksimum keluaran mandiri untuk seluruh layanan. Dokumentasi Qwen3 membahas panjang pesan asisten 38.912 token dalam mode berpikir dan 16.384 dalam mode tanpa berpikir dalam penjelasan panjang pelatihannya, serta menyarankan evaluasi kualitas generasi lebih panjang. Angka ini berbeda dari jendela konteks keseluruhan dan bukan batas keras khusus endpoint. Kartu juga menjelaskan alokasi posisi bawaan 40.960 token sebagai 8.192 untuk prompt umum ditambah 32.768 untuk keluaran; ini adalah panduan konfigurasi pengembang yang terpisah dari konteks pelatihan asli dan batas endpoint apa pun.
Pengambilan sampel yang disarankan dalam mode berpikir adalah temperature 0,6, top-p 0,95, top-k 20, dan min-p 0; mode langsung memakai 0,7, 0,8, 20, dan 0. Greedy decoding dalam mode berpikir dapat menyebabkan pengulangan, dan presence penalty lebih kuat dapat menimbulkan pencampuran bahasa. Minta struktur akhir yang dapat diperiksa, seperti tabel hasil diikuti fungsi yang diubah dan kasus relevan. Periksa kesimpulan numerik, jalankan kode dalam lingkungan sasaran, dan tinjau hasil alat sebelum menerapkan usulan perubahan. Identitas checkpoint FP8 dan peringatan lingkungan eksekusinya sebaiknya tetap menyertai evaluasi tersebut.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen/qwen3-235b-a22b-fp8 | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan user, assistant | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF-8
string messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_or_streamed
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.0004 / 1K token Keluaran · Token keluaran $0.0016 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "qwen/qwen3-235b-a22b-fp8",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-235b-a22b-fp8', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-235b-a22b-fp8', '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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan semua blok konten, tanda tangan penalaran, dan ID penggunaan alat yang sebenarnya. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan keluaran.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomid | Jenisstring |
Kolommodel | Jenisstring |
Kolomcontent[] | Jenistext|thinking|tool_use|other content block |
Kolomstop_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra qwen/qwen3-235b-a22b-fp8
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Compare two normalizers to a contract\n\nThe contract requires unique case-sensitive tags in first-occurrence order. Compare Python A: return sorted(set(tags)) with B: return list(dict.fromkeys(tags)). Input: ["red", "Blue", "red", "blue"]. Give a criterion table, select the compliant implementation and provide tests for order and case preservation. Do not alter the contract to fit either implementation.A two-implementation decision table, a selected implementation and two contract-focused tests.Check that sorting is recognized as an order violation and Blue remains distinct from blue.