Sorotan: pembaruan Instruct-2507 tetap
Qwen3-30B-A3B-Instruct-2507 adalah edisi tanpa berpikir Qwen3-30B-A3B yang diperbarui. Pengembang menyoroti peningkatan kepatuhan terhadap instruksi, penalaran logis, pemahaman teks, matematika, sains, pemrograman, dan penggunaan alat, dengan pengetahuan lebih luas tentang topik yang jarang muncul dalam banyak bahasa serta penyelarasan lebih baik untuk tugas terbuka. Model menerima teks dan menghasilkan teks: jawaban, penjelasan, usulan kode, atau artefak tulisan yang diminta.
Pertahankan identitas tetap 2507 terpisah dari Qwen3-30B-A3B hibrida awal, build FP8, dan edisi Thinking-2507. Deskripsi pengetahuan multibahasa model tidak memberikan jaminan jumlah bahasa tersendiri untuk snapshot ini. Tentukan bahasa sasaran, audiens, dan istilah yang perlu tetap tidak berubah ketika tugas melibatkan terjemahan atau penulisan ulang.
Gambaran model
Model mixture-of-experts memiliki total 30,5 miliar parameter dan mengaktifkan 3,3 miliar. Model memiliki 48 lapisan, 128 ahli, dan delapan ahli yang dipilih per token. Konteks aslinya 262.144 token. Parameter aktif bukan ukuran seluruh checkpoint, dan arsitektur saja tidak menetapkan waktu respons tetap dalam aplikasi.
Edisi ini hanya mendukung mode tanpa berpikir dan tidak menghasilkan blok berpikir eksplisit. Pengaturan enable_thinking=False tidak diperlukan dalam panduan pengembang. Model tetap dapat menunjukkan perhitungan atau menjelaskan kode dalam teks biasa; permintaan langkah pendukung tidak mengubahnya menjadi checkpoint Thinking terpisah.
Menyiapkan permintaan teks bermanfaat
Untuk tugas pemrograman, berikan fungsi atau modul relevan, batasan masukan, perilaku yang diamati, dan hasil yang diperlukan. Minta usulan patch atau fungsi lengkap dengan penjelasan asumsi yang terdampak. Untuk pertanyaan matematika atau sains, berikan pernyataan lengkap, satuan, dan definisi, lalu minta jawaban akhir dengan batas jelas yang didukung kondisi yang diberikan.
Untuk penulisan terbuka, tentukan audiens, tujuan, nada, dan informasi yang harus muncul. Respons bermanfaat dapat berupa draf yang dapat disunting, disusun berdasarkan bagian yang diminta, dengan asumsi tanpa dukungan diidentifikasi terpisah. Bandingkan draf, perhitungan, atau kode usulan yang dikembalikan dengan fakta, definisi, dan persyaratan yang diberikan.
Penggunaan agen
Qwen mendokumentasikan pemanggilan alat dan menyarankan Qwen-Agent untuk templat serta penguraian, dengan alat yang dikonfigurasi atau terhubung melalui MCP. Nyatakan tindakan yang diizinkan dan kondisi penyelesaian yang dapat diamati. Alat terhubung melakukan operasi eksternal dan mengembalikan pengamatan; model dapat memakai umpan balik tersebut dalam jawaban berikutnya. Usulan perintah atau klaim sumber telah diambil perlu tetap berbeda dari hasil yang benar-benar dikembalikan alur kerja.
Artefak akhir jelas dapat berupa usulan kode, tabel bukti, atau laporan ringkas. Dukungan alat sendiri tidak menciptakan akses ke sumber terkini, berkas, atau lingkungan eksekusi melalui setiap antarmuka. Pertahankan kontrak respons tanpa berpikir dari model yang tepat, bukan mengimpor sakelar prompt model hibrida atau kapasitas keluaran edisi Thinking.
Memproses teks sangat panjang
Pengembang mendokumentasikan alur kerja opsional yang mencapai sekitar satu juta token melalui Dual Chunk Attention dan sparse attention MInference. Mekanisme pertama membagi urutan panjang menjadi potongan yang dapat ditangani sambil mempertahankan interaksi antarpotongan; mekanisme kedua memfokuskan komputasi pada hubungan attention pilihan. Ini adalah jalur konfigurasi tambahan melampaui konteks asli 262.144, memakai konfigurasi konteks panjang khusus.
Panduan memperkirakan sekitar 240 GB total memori GPU untuk bobot model, keadaan urutan yang disimpan dalam cache, dan aktivasi puncak. Panduan juga menjelaskan kegagalan kapasitas dengan penyebab yang berbeda, yaitu cache urutan, memori aktivasi, atau masukan yang melebihi panjang terkonfigurasi. Karena itu, alur kerja sejuta token bergantung pada konfigurasi dan sumber daya; angka utama tidak boleh diperlakukan sebagai bawaan tanpa syarat.
Siapkan masukan panjang dengan batas dokumen, nama bagian, atau pengenal kode dan pertanyaan konkret. Sisakan ruang untuk jawaban dan minta bukti yang mendukung setiap kesimpulan.
Rekomendasi generasi
Praktik terbaik menyarankan temperature 0,7, top_p 0,8, top_k 20, dan min_p 0. Jika didukung, presence penalty antara nol dan dua dapat mengurangi teks berulang, sedangkan nilai lebih tinggi dapat mencampurkan bahasa atau sedikit menurunkan kualitas. Pengembang menyarankan kapasitas keluaran 16.384 token untuk sebagian besar pertanyaan, bukan anggaran lebih panjang yang didokumentasikan untuk Thinking-2507. Ini rekomendasi, bukan batas keras keluaran yang ditetapkan secara independen.
Tentukan format akhir secara eksplisit, seperti pembatas matematika atau bidang jawaban. Masukan model yang didokumentasikan adalah teks, sehingga bukti visual atau audio memerlukan representasi terpisah yang sesuai sebelum alur kerja ini. Periksa perhitungan, kutipan, dan kode yang dihasilkan terhadap sumber. Hasil bermanfaat adalah artefak teks lengkap yang dapat ditinjau, dengan identitas tetap Instruct-2507, mode tanpa berpikir, dan prosedur konteks panjang bersyarat tetap jelas.
", "aboutText": "Sorotan: pembaruan Instruct-2507 tetap\n\nQwen3-30B-A3B-Instruct-2507 adalah edisi tanpa berpikir Qwen3-30B-A3B yang diperbarui. Pengembang menyoroti peningkatan kepatuhan terhadap instruksi, penalaran logis, pemahaman teks, matematika, sains, pemrograman, dan penggunaan alat, dengan pengetahuan lebih luas tentang topik yang jarang muncul dalam banyak bahasa serta penyelarasan lebih baik untuk tugas terbuka. Model menerima teks dan menghasilkan teks: jawaban, penjelasan, usulan kode, atau artefak tulisan yang diminta.\n\nPertahankan identitas tetap 2507 terpisah dari Qwen3-30B-A3B hibrida awal, build FP8, dan edisi Thinking-2507. Deskripsi pengetahuan multibahasa model tidak memberikan jaminan jumlah bahasa tersendiri untuk snapshot ini. Tentukan bahasa sasaran, audiens, dan istilah yang perlu tetap tidak berubah ketika tugas melibatkan terjemahan atau penulisan ulang.\n\nGambaran model\n\nModel mixture-of-experts memiliki total 30,5 miliar parameter dan mengaktifkan 3,3 miliar. Model memiliki 48 lapisan, 128 ahli, dan delapan ahli yang dipilih per token. Konteks aslinya 262.144 token. Parameter aktif bukan ukuran seluruh checkpoint, dan arsitektur saja tidak menetapkan waktu respons tetap dalam aplikasi.\n\nEdisi ini hanya mendukung mode tanpa berpikir dan tidak menghasilkan blok berpikir eksplisit. Pengaturan enable_thinking=False tidak diperlukan dalam panduan pengembang. Model tetap dapat menunjukkan perhitungan atau menjelaskan kode dalam teks biasa; permintaan langkah pendukung tidak mengubahnya menjadi checkpoint Thinking terpisah.\n\nMenyiapkan permintaan teks bermanfaat\n\nUntuk tugas pemrograman, berikan fungsi atau modul relevan, batasan masukan, perilaku yang diamati, dan hasil yang diperlukan. Minta usulan patch atau fungsi lengkap dengan penjelasan asumsi yang terdampak. Untuk pertanyaan matematika atau sains, berikan pernyataan lengkap, satuan, dan definisi, lalu minta jawaban akhir dengan batas jelas yang didukung kondisi yang diberikan.\n\nUntuk penulisan terbuka, tentukan audiens, tujuan, nada, dan informasi yang harus muncul. Respons bermanfaat dapat berupa draf yang dapat disunting, disusun berdasarkan bagian yang diminta, dengan asumsi tanpa dukungan diidentifikasi terpisah. Bandingkan draf, perhitungan, atau kode usulan yang dikembalikan dengan fakta, definisi, dan persyaratan yang diberikan.\n\nPenggunaan agen\n\nQwen mendokumentasikan pemanggilan alat dan menyarankan Qwen-Agent untuk templat serta penguraian, dengan alat yang dikonfigurasi atau terhubung melalui MCP. Nyatakan tindakan yang diizinkan dan kondisi penyelesaian yang dapat diamati. Alat terhubung melakukan operasi eksternal dan mengembalikan pengamatan; model dapat memakai umpan balik tersebut dalam jawaban berikutnya. Usulan perintah atau klaim sumber telah diambil perlu tetap berbeda dari hasil yang benar-benar dikembalikan alur kerja.\n\nArtefak akhir jelas dapat berupa usulan kode, tabel bukti, atau laporan ringkas. Dukungan alat sendiri tidak menciptakan akses ke sumber terkini, berkas, atau lingkungan eksekusi melalui setiap antarmuka. Pertahankan kontrak respons tanpa berpikir dari model yang tepat, bukan mengimpor sakelar prompt model hibrida atau kapasitas keluaran edisi Thinking.\n\nMemproses teks sangat panjang\n\nPengembang mendokumentasikan alur kerja opsional yang mencapai sekitar satu juta token melalui Dual Chunk Attention dan sparse attention MInference. Mekanisme pertama membagi urutan panjang menjadi potongan yang dapat ditangani sambil mempertahankan interaksi antarpotongan; mekanisme kedua memfokuskan komputasi pada hubungan attention pilihan. Ini adalah jalur konfigurasi tambahan melampaui konteks asli 262.144, memakai konfigurasi konteks panjang khusus.\n\nPanduan memperkirakan sekitar 240 GB total memori GPU untuk bobot model, keadaan urutan yang disimpan dalam cache, dan aktivasi puncak. Panduan juga menjelaskan kegagalan kapasitas dengan penyebab yang berbeda, yaitu cache urutan, memori aktivasi, atau masukan yang melebihi panjang terkonfigurasi. Karena itu, alur kerja sejuta token bergantung pada konfigurasi dan sumber daya; angka utama tidak boleh diperlakukan sebagai bawaan tanpa syarat.\n\nSiapkan masukan panjang dengan batas dokumen, nama bagian, atau pengenal kode dan pertanyaan konkret. Sisakan ruang untuk jawaban dan minta bukti yang mendukung setiap kesimpulan.\n\nRekomendasi generasi\n\nPraktik terbaik menyarankan temperature 0,7, top_p 0,8, top_k 20, dan min_p 0. Jika didukung, presence penalty antara nol dan dua dapat mengurangi teks berulang, sedangkan nilai lebih tinggi dapat mencampurkan bahasa atau sedikit menurunkan kualitas. Pengembang menyarankan kapasitas keluaran 16.384 token untuk sebagian besar pertanyaan, bukan anggaran lebih panjang yang didokumentasikan untuk Thinking-2507. Ini rekomendasi, bukan batas keras keluaran yang ditetapkan secara independen.\n\nTentukan format akhir secara eksplisit, seperti pembatas matematika atau bidang jawaban. Masukan model yang didokumentasikan adalah teks, sehingga bukti visual atau audio memerlukan representasi terpisah yang sesuai sebelum alur kerja ini. Periksa perhitungan, kutipan, dan kode yang dihasilkan terhadap sumber. Hasil bermanfaat adalah artefak teks lengkap yang dapat ditinjau, dengan identitas tetap Instruct-2507, mode tanpa berpikir, dan prosedur konteks panjang bersyarat tetap jelas.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Draft a bounded project brief\n\nWrite a one-page-style brief in at most 170 words for a library's room-booking page. Facts: two rooms, maximum two-hour bookings, no recurring reservations, and a staff review for groups larger than eight. Use sections Goal, User steps, Rules and Open question. Include no payment features or assumed room capacities beyond the stated review threshold.An editable four-section project brief preserving the booking rules and one genuinely unanswered design question.The group-size threshold triggers staff review rather than being invented as an absolute room-capacity limit.qwen/qwen3-30b-a3b-instruct-2507Qwen3-30B-A3B-Instruct-2507 adalah edisi teks tetap 2507 keluaran Juli dari Qwen dengan mode tanpa berpikir, memiliki total 30,5 miliar parameter dan 3,3 miliar diaktifkan. Model meningkatkan kepatuhan terhadap instruksi, pemrograman, pengetahuan multibahasa, dan penulisan terbuka, dengan konteks asli 262.144 token.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Sorotan: pembaruan Instruct-2507 tetap
Qwen3-30B-A3B-Instruct-2507 adalah edisi tanpa berpikir Qwen3-30B-A3B yang diperbarui. Pengembang menyoroti peningkatan kepatuhan terhadap instruksi, penalaran logis, pemahaman teks, matematika, sains, pemrograman, dan penggunaan alat, dengan pengetahuan lebih luas tentang topik yang jarang muncul dalam banyak bahasa serta penyelarasan lebih baik untuk tugas terbuka. Model menerima teks dan menghasilkan teks: jawaban, penjelasan, usulan kode, atau artefak tulisan yang diminta.
Pertahankan identitas tetap 2507 terpisah dari Qwen3-30B-A3B hibrida awal, build FP8, dan edisi Thinking-2507. Deskripsi pengetahuan multibahasa model tidak memberikan jaminan jumlah bahasa tersendiri untuk snapshot ini. Tentukan bahasa sasaran, audiens, dan istilah yang perlu tetap tidak berubah ketika tugas melibatkan terjemahan atau penulisan ulang.
Gambaran model
Model mixture-of-experts memiliki total 30,5 miliar parameter dan mengaktifkan 3,3 miliar. Model memiliki 48 lapisan, 128 ahli, dan delapan ahli yang dipilih per token. Konteks aslinya 262.144 token. Parameter aktif bukan ukuran seluruh checkpoint, dan arsitektur saja tidak menetapkan waktu respons tetap dalam aplikasi.
Edisi ini hanya mendukung mode tanpa berpikir dan tidak menghasilkan blok berpikir eksplisit. Pengaturan enable_thinking=False tidak diperlukan dalam panduan pengembang. Model tetap dapat menunjukkan perhitungan atau menjelaskan kode dalam teks biasa; permintaan langkah pendukung tidak mengubahnya menjadi checkpoint Thinking terpisah.
Menyiapkan permintaan teks bermanfaat
Untuk tugas pemrograman, berikan fungsi atau modul relevan, batasan masukan, perilaku yang diamati, dan hasil yang diperlukan. Minta usulan patch atau fungsi lengkap dengan penjelasan asumsi yang terdampak. Untuk pertanyaan matematika atau sains, berikan pernyataan lengkap, satuan, dan definisi, lalu minta jawaban akhir dengan batas jelas yang didukung kondisi yang diberikan.
Untuk penulisan terbuka, tentukan audiens, tujuan, nada, dan informasi yang harus muncul. Respons bermanfaat dapat berupa draf yang dapat disunting, disusun berdasarkan bagian yang diminta, dengan asumsi tanpa dukungan diidentifikasi terpisah. Bandingkan draf, perhitungan, atau kode usulan yang dikembalikan dengan fakta, definisi, dan persyaratan yang diberikan.
Penggunaan agen
Qwen mendokumentasikan pemanggilan alat dan menyarankan Qwen-Agent untuk templat serta penguraian, dengan alat yang dikonfigurasi atau terhubung melalui MCP. Nyatakan tindakan yang diizinkan dan kondisi penyelesaian yang dapat diamati. Alat terhubung melakukan operasi eksternal dan mengembalikan pengamatan; model dapat memakai umpan balik tersebut dalam jawaban berikutnya. Usulan perintah atau klaim sumber telah diambil perlu tetap berbeda dari hasil yang benar-benar dikembalikan alur kerja.
Artefak akhir jelas dapat berupa usulan kode, tabel bukti, atau laporan ringkas. Dukungan alat sendiri tidak menciptakan akses ke sumber terkini, berkas, atau lingkungan eksekusi melalui setiap antarmuka. Pertahankan kontrak respons tanpa berpikir dari model yang tepat, bukan mengimpor sakelar prompt model hibrida atau kapasitas keluaran edisi Thinking.
Memproses teks sangat panjang
Pengembang mendokumentasikan alur kerja opsional yang mencapai sekitar satu juta token melalui Dual Chunk Attention dan sparse attention MInference. Mekanisme pertama membagi urutan panjang menjadi potongan yang dapat ditangani sambil mempertahankan interaksi antarpotongan; mekanisme kedua memfokuskan komputasi pada hubungan attention pilihan. Ini adalah jalur konfigurasi tambahan melampaui konteks asli 262.144, memakai konfigurasi konteks panjang khusus.
Panduan memperkirakan sekitar 240 GB total memori GPU untuk bobot model, keadaan urutan yang disimpan dalam cache, dan aktivasi puncak. Panduan juga menjelaskan kegagalan kapasitas dengan penyebab yang berbeda, yaitu cache urutan, memori aktivasi, atau masukan yang melebihi panjang terkonfigurasi. Karena itu, alur kerja sejuta token bergantung pada konfigurasi dan sumber daya; angka utama tidak boleh diperlakukan sebagai bawaan tanpa syarat.
Siapkan masukan panjang dengan batas dokumen, nama bagian, atau pengenal kode dan pertanyaan konkret. Sisakan ruang untuk jawaban dan minta bukti yang mendukung setiap kesimpulan.
Rekomendasi generasi
Praktik terbaik menyarankan temperature 0,7, top_p 0,8, top_k 20, dan min_p 0. Jika didukung, presence penalty antara nol dan dua dapat mengurangi teks berulang, sedangkan nilai lebih tinggi dapat mencampurkan bahasa atau sedikit menurunkan kualitas. Pengembang menyarankan kapasitas keluaran 16.384 token untuk sebagian besar pertanyaan, bukan anggaran lebih panjang yang didokumentasikan untuk Thinking-2507. Ini rekomendasi, bukan batas keras keluaran yang ditetapkan secara independen.
Tentukan format akhir secara eksplisit, seperti pembatas matematika atau bidang jawaban. Masukan model yang didokumentasikan adalah teks, sehingga bukti visual atau audio memerlukan representasi terpisah yang sesuai sebelum alur kerja ini. Periksa perhitungan, kutipan, dan kode yang dihasilkan terhadap sumber. Hasil bermanfaat adalah artefak teks lengkap yang dapat ditinjau, dengan identitas tetap Instruct-2507, mode tanpa berpikir, dan prosedur konteks panjang bersyarat tetap jelas.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen/qwen3-30b-a3b-instruct-2507 | 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.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0002 / 1K token Keluaran · Token keluaran $0.0008 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0002 / 1K token Keluaran · Token keluaran $0.0008 / 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/qwen3-30b-a3b-instruct-2507", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3-30b-a3b-instruct-2507',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3-30b-a3b-instruct-2507',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/qwen3-30b-a3b-instruct-2507
Gunakan jalur metode yang ditampilkan di atas.
qwen/qwen3-30b-a3b-instruct-2507Qwen3-30B-A3B-Instruct-2507 adalah edisi teks tetap 2507 keluaran Juli dari Qwen dengan mode tanpa berpikir, memiliki total 30,5 miliar parameter dan 3,3 miliar diaktifkan. Model meningkatkan kepatuhan terhadap instruksi, pemrograman, pengetahuan multibahasa, dan penulisan terbuka, dengan konteks asli 262.144 token.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Sorotan: pembaruan Instruct-2507 tetap
Qwen3-30B-A3B-Instruct-2507 adalah edisi tanpa berpikir Qwen3-30B-A3B yang diperbarui. Pengembang menyoroti peningkatan kepatuhan terhadap instruksi, penalaran logis, pemahaman teks, matematika, sains, pemrograman, dan penggunaan alat, dengan pengetahuan lebih luas tentang topik yang jarang muncul dalam banyak bahasa serta penyelarasan lebih baik untuk tugas terbuka. Model menerima teks dan menghasilkan teks: jawaban, penjelasan, usulan kode, atau artefak tulisan yang diminta.
Pertahankan identitas tetap 2507 terpisah dari Qwen3-30B-A3B hibrida awal, build FP8, dan edisi Thinking-2507. Deskripsi pengetahuan multibahasa model tidak memberikan jaminan jumlah bahasa tersendiri untuk snapshot ini. Tentukan bahasa sasaran, audiens, dan istilah yang perlu tetap tidak berubah ketika tugas melibatkan terjemahan atau penulisan ulang.
Gambaran model
Model mixture-of-experts memiliki total 30,5 miliar parameter dan mengaktifkan 3,3 miliar. Model memiliki 48 lapisan, 128 ahli, dan delapan ahli yang dipilih per token. Konteks aslinya 262.144 token. Parameter aktif bukan ukuran seluruh checkpoint, dan arsitektur saja tidak menetapkan waktu respons tetap dalam aplikasi.
Edisi ini hanya mendukung mode tanpa berpikir dan tidak menghasilkan blok berpikir eksplisit. Pengaturan enable_thinking=False tidak diperlukan dalam panduan pengembang. Model tetap dapat menunjukkan perhitungan atau menjelaskan kode dalam teks biasa; permintaan langkah pendukung tidak mengubahnya menjadi checkpoint Thinking terpisah.
Menyiapkan permintaan teks bermanfaat
Untuk tugas pemrograman, berikan fungsi atau modul relevan, batasan masukan, perilaku yang diamati, dan hasil yang diperlukan. Minta usulan patch atau fungsi lengkap dengan penjelasan asumsi yang terdampak. Untuk pertanyaan matematika atau sains, berikan pernyataan lengkap, satuan, dan definisi, lalu minta jawaban akhir dengan batas jelas yang didukung kondisi yang diberikan.
Untuk penulisan terbuka, tentukan audiens, tujuan, nada, dan informasi yang harus muncul. Respons bermanfaat dapat berupa draf yang dapat disunting, disusun berdasarkan bagian yang diminta, dengan asumsi tanpa dukungan diidentifikasi terpisah. Bandingkan draf, perhitungan, atau kode usulan yang dikembalikan dengan fakta, definisi, dan persyaratan yang diberikan.
Penggunaan agen
Qwen mendokumentasikan pemanggilan alat dan menyarankan Qwen-Agent untuk templat serta penguraian, dengan alat yang dikonfigurasi atau terhubung melalui MCP. Nyatakan tindakan yang diizinkan dan kondisi penyelesaian yang dapat diamati. Alat terhubung melakukan operasi eksternal dan mengembalikan pengamatan; model dapat memakai umpan balik tersebut dalam jawaban berikutnya. Usulan perintah atau klaim sumber telah diambil perlu tetap berbeda dari hasil yang benar-benar dikembalikan alur kerja.
Artefak akhir jelas dapat berupa usulan kode, tabel bukti, atau laporan ringkas. Dukungan alat sendiri tidak menciptakan akses ke sumber terkini, berkas, atau lingkungan eksekusi melalui setiap antarmuka. Pertahankan kontrak respons tanpa berpikir dari model yang tepat, bukan mengimpor sakelar prompt model hibrida atau kapasitas keluaran edisi Thinking.
Memproses teks sangat panjang
Pengembang mendokumentasikan alur kerja opsional yang mencapai sekitar satu juta token melalui Dual Chunk Attention dan sparse attention MInference. Mekanisme pertama membagi urutan panjang menjadi potongan yang dapat ditangani sambil mempertahankan interaksi antarpotongan; mekanisme kedua memfokuskan komputasi pada hubungan attention pilihan. Ini adalah jalur konfigurasi tambahan melampaui konteks asli 262.144, memakai konfigurasi konteks panjang khusus.
Panduan memperkirakan sekitar 240 GB total memori GPU untuk bobot model, keadaan urutan yang disimpan dalam cache, dan aktivasi puncak. Panduan juga menjelaskan kegagalan kapasitas dengan penyebab yang berbeda, yaitu cache urutan, memori aktivasi, atau masukan yang melebihi panjang terkonfigurasi. Karena itu, alur kerja sejuta token bergantung pada konfigurasi dan sumber daya; angka utama tidak boleh diperlakukan sebagai bawaan tanpa syarat.
Siapkan masukan panjang dengan batas dokumen, nama bagian, atau pengenal kode dan pertanyaan konkret. Sisakan ruang untuk jawaban dan minta bukti yang mendukung setiap kesimpulan.
Rekomendasi generasi
Praktik terbaik menyarankan temperature 0,7, top_p 0,8, top_k 20, dan min_p 0. Jika didukung, presence penalty antara nol dan dua dapat mengurangi teks berulang, sedangkan nilai lebih tinggi dapat mencampurkan bahasa atau sedikit menurunkan kualitas. Pengembang menyarankan kapasitas keluaran 16.384 token untuk sebagian besar pertanyaan, bukan anggaran lebih panjang yang didokumentasikan untuk Thinking-2507. Ini rekomendasi, bukan batas keras keluaran yang ditetapkan secara independen.
Tentukan format akhir secara eksplisit, seperti pembatas matematika atau bidang jawaban. Masukan model yang didokumentasikan adalah teks, sehingga bukti visual atau audio memerlukan representasi terpisah yang sesuai sebelum alur kerja ini. Periksa perhitungan, kutipan, dan kode yang dihasilkan terhadap sumber. Hasil bermanfaat adalah artefak teks lengkap yang dapat ditinjau, dengan identitas tetap Instruct-2507, mode tanpa berpikir, dan prosedur konteks panjang bersyarat tetap jelas.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen/qwen3-30b-a3b-instruct-2507 | 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.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0002 / 1K token Keluaran · Token keluaran $0.0008 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0002 / 1K token Keluaran · Token keluaran $0.0008 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "qwen/qwen3-30b-a3b-instruct-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-30b-a3b-instruct-2507', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-30b-a3b-instruct-2507', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/qwen3-30b-a3b-instruct-2507
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Draft a bounded project brief\n\nWrite a one-page-style brief in at most 170 words for a library's room-booking page. Facts: two rooms, maximum two-hour bookings, no recurring reservations, and a staff review for groups larger than eight. Use sections Goal, User steps, Rules and Open question. Include no payment features or assumed room capacities beyond the stated review threshold.An editable four-section project brief preserving the booking rules and one genuinely unanswered design question.The group-size threshold triggers staff review rather than being invented as an absolute room-capacity limit.