Sorotan: rilis Thinking-2507 tetap
Qwen3-30B-A3B-Thinking-2507 adalah model pembuatan teks yang berfokus pada penalaran sulit. Qwen menjelaskan peningkatan dalam logika, matematika, sains, pemrograman, kepatuhan terhadap instruksi, penggunaan alat, dan pembuatan teks, bersama rangkaian thinking yang lebih panjang dan pemahaman konteks panjang yang lebih kuat. Pilih edisi 2507 yang persis ini ketika tugas terbantu oleh penalaran berkelanjutan, seperti memeriksa penjelasan yang bersaing, menyelesaikan masalah matematika bertahap, atau mengerjakan perubahan kode yang kompleks.
Gambaran model dan mode
Model mixture-of-experts ini memiliki total 30.5 miliar parameter dan 3.3 miliar parameter yang diaktifkan, dengan 128 pakar dan delapan yang dipilih per token di 48 lapisan. Konteks native-nya adalah 262,144 token. Model ini menerima teks dan mengembalikan teks; hasil alat diberikan melalui alur aplikasi terhubung. Checkpoint ini hanya mendukung thinking. Model ini berbeda dari Qwen3-30B-A3B hibrida yang lebih awal, edisi FP8-nya, dan Qwen3-30B-A3B-Instruct-2507. Sakelar non-thinking model hibrida tidak boleh diasumsikan berlaku di sini.
Templat chat bawaan sudah memulai rangkaian penalaran dengan penanda pembuka thinking, sehingga pengaturan enable_thinking=True secara eksplisit tidak diperlukan. Rangkaian yang dikembalikan dapat memuat penanda penutup tanpa mengulangi penanda pembuka. Contoh produsen memisahkan penalaran dari jawaban akhir. Pertahankan perbedaan tersebut saat meminta hasil konkret: kesimpulan pembuktian, patch, atau tabel keputusan harus tetap mudah ditemukan setelah penjelasan yang lebih panjang.
Menyiapkan tugas yang sulit
Berikan pernyataan masalah lengkap, batasan, dan bukti yang relevan kepada model. Untuk perubahan kode, sertakan fungsi yang sudah ada, masukan gagal, dan perilaku yang diharapkan, lalu minta usulan patch dengan penjelasan kasus batas. Untuk pertanyaan sains, pisahkan pengamatan dari asumsi dan tanyakan kesimpulan mana yang mengikuti masing-masing. Untuk kebijakan atau spesifikasi panjang, pertahankan pengenal bagian dan minta keputusan ringkas yang didukung klausul yang relevan. Ini merupakan penggunaan praktis dari domain penalaran yang didokumentasikan, bukan klaim bahwa model telah menjalankan patch atau memvalidasi eksperimen.
Karena versi ini dapat bernalar panjang, sisakan ruang untuk penalaran maupun artefak akhir. Qwen menyarankan untuk mempertahankan konteks di atas 131,072 token jika memungkinkan saat mengonfigurasi model, meskipun konteks yang lebih kecil akan meringankan tekanan memori. Angka konteks native mencakup anggaran rangkaian; angka tersebut bukan janji bahwa seluruhnya dapat digunakan untuk dokumen sambil menyisakan ruang jawaban tanpa batas.
Penggunaan berbasis agen
Produsen mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent untuk templat serta parsing alat, termasuk integrasi dengan alat yang dikonfigurasi dan alur code-interpreter. Definisikan alat dan hasil yang dimaksud secara eksplisit. Misalnya, aplikasi dapat memungkinkan model memeriksa bukti yang diambil, menggunakan kalkulator yang diizinkan, lalu menghasilkan laporan yang menjelaskan perhitungan. Pengambilan informasi dan eksekusi merupakan tanggung jawab alat terhubung; kemampuan pemanggilan alat model tidak dengan sendirinya membuktikan akses ke internet, lingkungan kode, atau sistem bisnis.
Memproses teks ultra-panjang
Qwen mendokumentasikan alur opsional yang mencapai sekitar satu juta token dengan menggabungkan Dual Chunk Attention dan MInference sparse attention. Teknik pertama membagi rangkaian panjang menjadi potongan sambil mempertahankan interaksi di antaranya; teknik kedua memusatkan komputasi pada hubungan attention yang dipilih. Ini merupakan jalur konfigurasi tambahan, di luar konteks native 262,144 token. Resep produsen memerlukan konfigurasi konteks panjang khususnya dan memperkirakan total memori GPU sekitar 240 GB untuk bobot, keadaan attention yang di-cache, dan aktivasi puncak.
Resep tersebut memiliki batas sumber daya yang konkret: keadaan rangkaian yang di-cache, memori aktivasi, dan panjang masukan total masing-masing dapat menghabiskan kapasitas yang dikonfigurasi. Karena itu alur satu juta token bergantung pada konfigurasi, memori, dan implementasi attention yang didukung. Untuk tinjauan dokumen praktis, mulailah dengan materi yang relevan, tandai batas dokumen, dan minta bukti yang dapat ditelusuri, alih-alih memperlakukan masukan terbesar yang mungkin sebagai pengganti pertanyaan yang jelas.
Panduan generasi dan batas
Qwen merekomendasikan temperature 0.6, top_p 0.95, top_k 20, dan min_p 0. Qwen menyarankan anggaran keluaran 32,768 token untuk sebagian besar kueri dan 81,920 untuk masalah matematika atau pemrograman yang sangat sulit. Ini adalah rekomendasi anggaran generasi, bukan batas maksimum keluaran mutlak yang dipublikasikan secara terpisah. Presence penalty antara nol dan dua dapat mengurangi pengulangan, tetapi nilai yang lebih tinggi dapat mencampur bahasa atau sedikit menurunkan kualitas.
Tentukan format jawaban akhir dalam prompt, seperti hasil matematika dengan batas yang jelas atau bidang jawaban untuk pertanyaan pilihan ganda. Simpan hanya bagian jawaban akhir dalam riwayat percakapan, sebagaimana direkomendasikan produsen. Penalaran yang lebih panjang berguna ketika menghasilkan hasil yang dapat diperiksa; periksa asumsi, perhitungan, dan kode yang diusulkan sebelum mengandalkan hasilnya.
", "aboutText": "Sorotan: rilis Thinking-2507 tetap\n\nQwen3-30B-A3B-Thinking-2507 adalah model pembuatan teks yang berfokus pada penalaran sulit. Qwen menjelaskan peningkatan dalam logika, matematika, sains, pemrograman, kepatuhan terhadap instruksi, penggunaan alat, dan pembuatan teks, bersama rangkaian thinking yang lebih panjang dan pemahaman konteks panjang yang lebih kuat. Pilih edisi 2507 yang persis ini ketika tugas terbantu oleh penalaran berkelanjutan, seperti memeriksa penjelasan yang bersaing, menyelesaikan masalah matematika bertahap, atau mengerjakan perubahan kode yang kompleks.\n\nGambaran model dan mode\n\nModel mixture-of-experts ini memiliki total 30.5 miliar parameter dan 3.3 miliar parameter yang diaktifkan, dengan 128 pakar dan delapan yang dipilih per token di 48 lapisan. Konteks native-nya adalah 262,144 token. Model ini menerima teks dan mengembalikan teks; hasil alat diberikan melalui alur aplikasi terhubung. Checkpoint ini hanya mendukung thinking. Model ini berbeda dari Qwen3-30B-A3B hibrida yang lebih awal, edisi FP8-nya, dan Qwen3-30B-A3B-Instruct-2507. Sakelar non-thinking model hibrida tidak boleh diasumsikan berlaku di sini.\n\nTemplat chat bawaan sudah memulai rangkaian penalaran dengan penanda pembuka thinking, sehingga pengaturan enable_thinking=True secara eksplisit tidak diperlukan. Rangkaian yang dikembalikan dapat memuat penanda penutup tanpa mengulangi penanda pembuka. Contoh produsen memisahkan penalaran dari jawaban akhir. Pertahankan perbedaan tersebut saat meminta hasil konkret: kesimpulan pembuktian, patch, atau tabel keputusan harus tetap mudah ditemukan setelah penjelasan yang lebih panjang.\n\nMenyiapkan tugas yang sulit\n\nBerikan pernyataan masalah lengkap, batasan, dan bukti yang relevan kepada model. Untuk perubahan kode, sertakan fungsi yang sudah ada, masukan gagal, dan perilaku yang diharapkan, lalu minta usulan patch dengan penjelasan kasus batas. Untuk pertanyaan sains, pisahkan pengamatan dari asumsi dan tanyakan kesimpulan mana yang mengikuti masing-masing. Untuk kebijakan atau spesifikasi panjang, pertahankan pengenal bagian dan minta keputusan ringkas yang didukung klausul yang relevan. Ini merupakan penggunaan praktis dari domain penalaran yang didokumentasikan, bukan klaim bahwa model telah menjalankan patch atau memvalidasi eksperimen.\n\nKarena versi ini dapat bernalar panjang, sisakan ruang untuk penalaran maupun artefak akhir. Qwen menyarankan untuk mempertahankan konteks di atas 131,072 token jika memungkinkan saat mengonfigurasi model, meskipun konteks yang lebih kecil akan meringankan tekanan memori. Angka konteks native mencakup anggaran rangkaian; angka tersebut bukan janji bahwa seluruhnya dapat digunakan untuk dokumen sambil menyisakan ruang jawaban tanpa batas.\n\nPenggunaan berbasis agen\n\nProdusen mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent untuk templat serta parsing alat, termasuk integrasi dengan alat yang dikonfigurasi dan alur code-interpreter. Definisikan alat dan hasil yang dimaksud secara eksplisit. Misalnya, aplikasi dapat memungkinkan model memeriksa bukti yang diambil, menggunakan kalkulator yang diizinkan, lalu menghasilkan laporan yang menjelaskan perhitungan. Pengambilan informasi dan eksekusi merupakan tanggung jawab alat terhubung; kemampuan pemanggilan alat model tidak dengan sendirinya membuktikan akses ke internet, lingkungan kode, atau sistem bisnis.\n\nMemproses teks ultra-panjang\n\nQwen mendokumentasikan alur opsional yang mencapai sekitar satu juta token dengan menggabungkan Dual Chunk Attention dan MInference sparse attention. Teknik pertama membagi rangkaian panjang menjadi potongan sambil mempertahankan interaksi di antaranya; teknik kedua memusatkan komputasi pada hubungan attention yang dipilih. Ini merupakan jalur konfigurasi tambahan, di luar konteks native 262,144 token. Resep produsen memerlukan konfigurasi konteks panjang khususnya dan memperkirakan total memori GPU sekitar 240 GB untuk bobot, keadaan attention yang di-cache, dan aktivasi puncak.\n\nResep tersebut memiliki batas sumber daya yang konkret: keadaan rangkaian yang di-cache, memori aktivasi, dan panjang masukan total masing-masing dapat menghabiskan kapasitas yang dikonfigurasi. Karena itu alur satu juta token bergantung pada konfigurasi, memori, dan implementasi attention yang didukung. Untuk tinjauan dokumen praktis, mulailah dengan materi yang relevan, tandai batas dokumen, dan minta bukti yang dapat ditelusuri, alih-alih memperlakukan masukan terbesar yang mungkin sebagai pengganti pertanyaan yang jelas.\n\nPanduan generasi dan batas\n\nQwen merekomendasikan temperature 0.6, top_p 0.95, top_k 20, dan min_p 0. Qwen menyarankan anggaran keluaran 32,768 token untuk sebagian besar kueri dan 81,920 untuk masalah matematika atau pemrograman yang sangat sulit. Ini adalah rekomendasi anggaran generasi, bukan batas maksimum keluaran mutlak yang dipublikasikan secara terpisah. Presence penalty antara nol dan dua dapat mengurangi pengulangan, tetapi nilai yang lebih tinggi dapat mencampur bahasa atau sedikit menurunkan kualitas.\n\nTentukan format jawaban akhir dalam prompt, seperti hasil matematika dengan batas yang jelas atau bidang jawaban untuk pertanyaan pilihan ganda. Simpan hanya bagian jawaban akhir dalam riwayat percakapan, sebagaimana direkomendasikan produsen. Penalaran yang lebih panjang berguna ketika menghasilkan hasil yang dapat diperiksa; periksa asumsi, perhitungan, dan kode yang diusulkan sebelum mengandalkan hasilnya.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Solve a constrained staffing assignment\n\nAssign three reviewers, Ada, Ben and Cy, to morning, afternoon and evening shifts, one each. Ada cannot work evening. Ben must work later than Ada. Cy cannot work morning. List every valid assignment and explain how each constraint eliminates alternatives. Finish with whether the assignment is unique; do not assume additional availability.An enumeration of all valid assignments, a constraint check and a separate uniqueness conclusion.Every assignment uses all three shifts once and satisfies Ben later than Ada without adding availability rules.Qwen/Qwen3-30B-A3B-Thinking-2507Qwen3-30B-A3B-Thinking-2507 adalah model teks Qwen yang hanya menggunakan thinking untuk matematika, sains, pemrograman, dan penalaran logis yang menuntut. Edisi 2507 tetap ini menyediakan konteks native 262,144 token dan anggaran penalaran lebih panjang, dengan pemanggilan alat yang didokumentasikan serta alur konteks ultra-panjang yang bersyarat.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Sorotan: rilis Thinking-2507 tetap
Qwen3-30B-A3B-Thinking-2507 adalah model pembuatan teks yang berfokus pada penalaran sulit. Qwen menjelaskan peningkatan dalam logika, matematika, sains, pemrograman, kepatuhan terhadap instruksi, penggunaan alat, dan pembuatan teks, bersama rangkaian thinking yang lebih panjang dan pemahaman konteks panjang yang lebih kuat. Pilih edisi 2507 yang persis ini ketika tugas terbantu oleh penalaran berkelanjutan, seperti memeriksa penjelasan yang bersaing, menyelesaikan masalah matematika bertahap, atau mengerjakan perubahan kode yang kompleks.
Gambaran model dan mode
Model mixture-of-experts ini memiliki total 30.5 miliar parameter dan 3.3 miliar parameter yang diaktifkan, dengan 128 pakar dan delapan yang dipilih per token di 48 lapisan. Konteks native-nya adalah 262,144 token. Model ini menerima teks dan mengembalikan teks; hasil alat diberikan melalui alur aplikasi terhubung. Checkpoint ini hanya mendukung thinking. Model ini berbeda dari Qwen3-30B-A3B hibrida yang lebih awal, edisi FP8-nya, dan Qwen3-30B-A3B-Instruct-2507. Sakelar non-thinking model hibrida tidak boleh diasumsikan berlaku di sini.
Templat chat bawaan sudah memulai rangkaian penalaran dengan penanda pembuka thinking, sehingga pengaturan enable_thinking=True secara eksplisit tidak diperlukan. Rangkaian yang dikembalikan dapat memuat penanda penutup tanpa mengulangi penanda pembuka. Contoh produsen memisahkan penalaran dari jawaban akhir. Pertahankan perbedaan tersebut saat meminta hasil konkret: kesimpulan pembuktian, patch, atau tabel keputusan harus tetap mudah ditemukan setelah penjelasan yang lebih panjang.
Menyiapkan tugas yang sulit
Berikan pernyataan masalah lengkap, batasan, dan bukti yang relevan kepada model. Untuk perubahan kode, sertakan fungsi yang sudah ada, masukan gagal, dan perilaku yang diharapkan, lalu minta usulan patch dengan penjelasan kasus batas. Untuk pertanyaan sains, pisahkan pengamatan dari asumsi dan tanyakan kesimpulan mana yang mengikuti masing-masing. Untuk kebijakan atau spesifikasi panjang, pertahankan pengenal bagian dan minta keputusan ringkas yang didukung klausul yang relevan. Ini merupakan penggunaan praktis dari domain penalaran yang didokumentasikan, bukan klaim bahwa model telah menjalankan patch atau memvalidasi eksperimen.
Karena versi ini dapat bernalar panjang, sisakan ruang untuk penalaran maupun artefak akhir. Qwen menyarankan untuk mempertahankan konteks di atas 131,072 token jika memungkinkan saat mengonfigurasi model, meskipun konteks yang lebih kecil akan meringankan tekanan memori. Angka konteks native mencakup anggaran rangkaian; angka tersebut bukan janji bahwa seluruhnya dapat digunakan untuk dokumen sambil menyisakan ruang jawaban tanpa batas.
Penggunaan berbasis agen
Produsen mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent untuk templat serta parsing alat, termasuk integrasi dengan alat yang dikonfigurasi dan alur code-interpreter. Definisikan alat dan hasil yang dimaksud secara eksplisit. Misalnya, aplikasi dapat memungkinkan model memeriksa bukti yang diambil, menggunakan kalkulator yang diizinkan, lalu menghasilkan laporan yang menjelaskan perhitungan. Pengambilan informasi dan eksekusi merupakan tanggung jawab alat terhubung; kemampuan pemanggilan alat model tidak dengan sendirinya membuktikan akses ke internet, lingkungan kode, atau sistem bisnis.
Memproses teks ultra-panjang
Qwen mendokumentasikan alur opsional yang mencapai sekitar satu juta token dengan menggabungkan Dual Chunk Attention dan MInference sparse attention. Teknik pertama membagi rangkaian panjang menjadi potongan sambil mempertahankan interaksi di antaranya; teknik kedua memusatkan komputasi pada hubungan attention yang dipilih. Ini merupakan jalur konfigurasi tambahan, di luar konteks native 262,144 token. Resep produsen memerlukan konfigurasi konteks panjang khususnya dan memperkirakan total memori GPU sekitar 240 GB untuk bobot, keadaan attention yang di-cache, dan aktivasi puncak.
Resep tersebut memiliki batas sumber daya yang konkret: keadaan rangkaian yang di-cache, memori aktivasi, dan panjang masukan total masing-masing dapat menghabiskan kapasitas yang dikonfigurasi. Karena itu alur satu juta token bergantung pada konfigurasi, memori, dan implementasi attention yang didukung. Untuk tinjauan dokumen praktis, mulailah dengan materi yang relevan, tandai batas dokumen, dan minta bukti yang dapat ditelusuri, alih-alih memperlakukan masukan terbesar yang mungkin sebagai pengganti pertanyaan yang jelas.
Panduan generasi dan batas
Qwen merekomendasikan temperature 0.6, top_p 0.95, top_k 20, dan min_p 0. Qwen menyarankan anggaran keluaran 32,768 token untuk sebagian besar kueri dan 81,920 untuk masalah matematika atau pemrograman yang sangat sulit. Ini adalah rekomendasi anggaran generasi, bukan batas maksimum keluaran mutlak yang dipublikasikan secara terpisah. Presence penalty antara nol dan dua dapat mengurangi pengulangan, tetapi nilai yang lebih tinggi dapat mencampur bahasa atau sedikit menurunkan kualitas.
Tentukan format jawaban akhir dalam prompt, seperti hasil matematika dengan batas yang jelas atau bidang jawaban untuk pertanyaan pilihan ganda. Simpan hanya bagian jawaban akhir dalam riwayat percakapan, sebagaimana direkomendasikan produsen. Penalaran yang lebih panjang berguna ketika menghasilkan hasil yang dapat diperiksa; periksa asumsi, perhitungan, dan kode yang diusulkan sebelum mengandalkan hasilnya.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan Qwen/Qwen3-30B-A3B-Thinking-2507 | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Percakapan teks | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
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 |
Parametercontrol_scope | KontrakPercakapan teks; stream adalah nilai boolean dengan false sebagai bawaan. |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Alias metode: /chat/completions
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 $0.0002 / 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-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 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-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
Qwen/Qwen3-30B-A3B-Thinking-2507Qwen3-30B-A3B-Thinking-2507 adalah model teks Qwen yang hanya menggunakan thinking untuk matematika, sains, pemrograman, dan penalaran logis yang menuntut. Edisi 2507 tetap ini menyediakan konteks native 262,144 token dan anggaran penalaran lebih panjang, dengan pemanggilan alat yang didokumentasikan serta alur konteks ultra-panjang yang bersyarat.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Sorotan: rilis Thinking-2507 tetap
Qwen3-30B-A3B-Thinking-2507 adalah model pembuatan teks yang berfokus pada penalaran sulit. Qwen menjelaskan peningkatan dalam logika, matematika, sains, pemrograman, kepatuhan terhadap instruksi, penggunaan alat, dan pembuatan teks, bersama rangkaian thinking yang lebih panjang dan pemahaman konteks panjang yang lebih kuat. Pilih edisi 2507 yang persis ini ketika tugas terbantu oleh penalaran berkelanjutan, seperti memeriksa penjelasan yang bersaing, menyelesaikan masalah matematika bertahap, atau mengerjakan perubahan kode yang kompleks.
Gambaran model dan mode
Model mixture-of-experts ini memiliki total 30.5 miliar parameter dan 3.3 miliar parameter yang diaktifkan, dengan 128 pakar dan delapan yang dipilih per token di 48 lapisan. Konteks native-nya adalah 262,144 token. Model ini menerima teks dan mengembalikan teks; hasil alat diberikan melalui alur aplikasi terhubung. Checkpoint ini hanya mendukung thinking. Model ini berbeda dari Qwen3-30B-A3B hibrida yang lebih awal, edisi FP8-nya, dan Qwen3-30B-A3B-Instruct-2507. Sakelar non-thinking model hibrida tidak boleh diasumsikan berlaku di sini.
Templat chat bawaan sudah memulai rangkaian penalaran dengan penanda pembuka thinking, sehingga pengaturan enable_thinking=True secara eksplisit tidak diperlukan. Rangkaian yang dikembalikan dapat memuat penanda penutup tanpa mengulangi penanda pembuka. Contoh produsen memisahkan penalaran dari jawaban akhir. Pertahankan perbedaan tersebut saat meminta hasil konkret: kesimpulan pembuktian, patch, atau tabel keputusan harus tetap mudah ditemukan setelah penjelasan yang lebih panjang.
Menyiapkan tugas yang sulit
Berikan pernyataan masalah lengkap, batasan, dan bukti yang relevan kepada model. Untuk perubahan kode, sertakan fungsi yang sudah ada, masukan gagal, dan perilaku yang diharapkan, lalu minta usulan patch dengan penjelasan kasus batas. Untuk pertanyaan sains, pisahkan pengamatan dari asumsi dan tanyakan kesimpulan mana yang mengikuti masing-masing. Untuk kebijakan atau spesifikasi panjang, pertahankan pengenal bagian dan minta keputusan ringkas yang didukung klausul yang relevan. Ini merupakan penggunaan praktis dari domain penalaran yang didokumentasikan, bukan klaim bahwa model telah menjalankan patch atau memvalidasi eksperimen.
Karena versi ini dapat bernalar panjang, sisakan ruang untuk penalaran maupun artefak akhir. Qwen menyarankan untuk mempertahankan konteks di atas 131,072 token jika memungkinkan saat mengonfigurasi model, meskipun konteks yang lebih kecil akan meringankan tekanan memori. Angka konteks native mencakup anggaran rangkaian; angka tersebut bukan janji bahwa seluruhnya dapat digunakan untuk dokumen sambil menyisakan ruang jawaban tanpa batas.
Penggunaan berbasis agen
Produsen mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent untuk templat serta parsing alat, termasuk integrasi dengan alat yang dikonfigurasi dan alur code-interpreter. Definisikan alat dan hasil yang dimaksud secara eksplisit. Misalnya, aplikasi dapat memungkinkan model memeriksa bukti yang diambil, menggunakan kalkulator yang diizinkan, lalu menghasilkan laporan yang menjelaskan perhitungan. Pengambilan informasi dan eksekusi merupakan tanggung jawab alat terhubung; kemampuan pemanggilan alat model tidak dengan sendirinya membuktikan akses ke internet, lingkungan kode, atau sistem bisnis.
Memproses teks ultra-panjang
Qwen mendokumentasikan alur opsional yang mencapai sekitar satu juta token dengan menggabungkan Dual Chunk Attention dan MInference sparse attention. Teknik pertama membagi rangkaian panjang menjadi potongan sambil mempertahankan interaksi di antaranya; teknik kedua memusatkan komputasi pada hubungan attention yang dipilih. Ini merupakan jalur konfigurasi tambahan, di luar konteks native 262,144 token. Resep produsen memerlukan konfigurasi konteks panjang khususnya dan memperkirakan total memori GPU sekitar 240 GB untuk bobot, keadaan attention yang di-cache, dan aktivasi puncak.
Resep tersebut memiliki batas sumber daya yang konkret: keadaan rangkaian yang di-cache, memori aktivasi, dan panjang masukan total masing-masing dapat menghabiskan kapasitas yang dikonfigurasi. Karena itu alur satu juta token bergantung pada konfigurasi, memori, dan implementasi attention yang didukung. Untuk tinjauan dokumen praktis, mulailah dengan materi yang relevan, tandai batas dokumen, dan minta bukti yang dapat ditelusuri, alih-alih memperlakukan masukan terbesar yang mungkin sebagai pengganti pertanyaan yang jelas.
Panduan generasi dan batas
Qwen merekomendasikan temperature 0.6, top_p 0.95, top_k 20, dan min_p 0. Qwen menyarankan anggaran keluaran 32,768 token untuk sebagian besar kueri dan 81,920 untuk masalah matematika atau pemrograman yang sangat sulit. Ini adalah rekomendasi anggaran generasi, bukan batas maksimum keluaran mutlak yang dipublikasikan secara terpisah. Presence penalty antara nol dan dua dapat mengurangi pengulangan, tetapi nilai yang lebih tinggi dapat mencampur bahasa atau sedikit menurunkan kualitas.
Tentukan format jawaban akhir dalam prompt, seperti hasil matematika dengan batas yang jelas atau bidang jawaban untuk pertanyaan pilihan ganda. Simpan hanya bagian jawaban akhir dalam riwayat percakapan, sebagaimana direkomendasikan produsen. Penalaran yang lebih panjang berguna ketika menghasilkan hasil yang dapat diperiksa; periksa asumsi, perhitungan, dan kode yang diusulkan sebelum mengandalkan hasilnya.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan Qwen/Qwen3-30B-A3B-Thinking-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.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.0002 / 1K token Keluaran · Token keluaran $0.0008 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "Qwen/Qwen3-30B-A3B-Thinking-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
qwen3-30b-a3b-thinking-2507Qwen3-30B-A3B-Thinking-2507 adalah model teks Qwen yang hanya menggunakan thinking untuk matematika, sains, pemrograman, dan penalaran logis yang menuntut. Edisi 2507 tetap ini menyediakan konteks native 262,144 token dan anggaran penalaran lebih panjang, dengan pemanggilan alat yang didokumentasikan serta alur konteks ultra-panjang yang bersyarat.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Sorotan: rilis Thinking-2507 tetap
Qwen3-30B-A3B-Thinking-2507 adalah model pembuatan teks yang berfokus pada penalaran sulit. Qwen menjelaskan peningkatan dalam logika, matematika, sains, pemrograman, kepatuhan terhadap instruksi, penggunaan alat, dan pembuatan teks, bersama rangkaian thinking yang lebih panjang dan pemahaman konteks panjang yang lebih kuat. Pilih edisi 2507 yang persis ini ketika tugas terbantu oleh penalaran berkelanjutan, seperti memeriksa penjelasan yang bersaing, menyelesaikan masalah matematika bertahap, atau mengerjakan perubahan kode yang kompleks.
Gambaran model dan mode
Model mixture-of-experts ini memiliki total 30.5 miliar parameter dan 3.3 miliar parameter yang diaktifkan, dengan 128 pakar dan delapan yang dipilih per token di 48 lapisan. Konteks native-nya adalah 262,144 token. Model ini menerima teks dan mengembalikan teks; hasil alat diberikan melalui alur aplikasi terhubung. Checkpoint ini hanya mendukung thinking. Model ini berbeda dari Qwen3-30B-A3B hibrida yang lebih awal, edisi FP8-nya, dan Qwen3-30B-A3B-Instruct-2507. Sakelar non-thinking model hibrida tidak boleh diasumsikan berlaku di sini.
Templat chat bawaan sudah memulai rangkaian penalaran dengan penanda pembuka thinking, sehingga pengaturan enable_thinking=True secara eksplisit tidak diperlukan. Rangkaian yang dikembalikan dapat memuat penanda penutup tanpa mengulangi penanda pembuka. Contoh produsen memisahkan penalaran dari jawaban akhir. Pertahankan perbedaan tersebut saat meminta hasil konkret: kesimpulan pembuktian, patch, atau tabel keputusan harus tetap mudah ditemukan setelah penjelasan yang lebih panjang.
Menyiapkan tugas yang sulit
Berikan pernyataan masalah lengkap, batasan, dan bukti yang relevan kepada model. Untuk perubahan kode, sertakan fungsi yang sudah ada, masukan gagal, dan perilaku yang diharapkan, lalu minta usulan patch dengan penjelasan kasus batas. Untuk pertanyaan sains, pisahkan pengamatan dari asumsi dan tanyakan kesimpulan mana yang mengikuti masing-masing. Untuk kebijakan atau spesifikasi panjang, pertahankan pengenal bagian dan minta keputusan ringkas yang didukung klausul yang relevan. Ini merupakan penggunaan praktis dari domain penalaran yang didokumentasikan, bukan klaim bahwa model telah menjalankan patch atau memvalidasi eksperimen.
Karena versi ini dapat bernalar panjang, sisakan ruang untuk penalaran maupun artefak akhir. Qwen menyarankan untuk mempertahankan konteks di atas 131,072 token jika memungkinkan saat mengonfigurasi model, meskipun konteks yang lebih kecil akan meringankan tekanan memori. Angka konteks native mencakup anggaran rangkaian; angka tersebut bukan janji bahwa seluruhnya dapat digunakan untuk dokumen sambil menyisakan ruang jawaban tanpa batas.
Penggunaan berbasis agen
Produsen mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent untuk templat serta parsing alat, termasuk integrasi dengan alat yang dikonfigurasi dan alur code-interpreter. Definisikan alat dan hasil yang dimaksud secara eksplisit. Misalnya, aplikasi dapat memungkinkan model memeriksa bukti yang diambil, menggunakan kalkulator yang diizinkan, lalu menghasilkan laporan yang menjelaskan perhitungan. Pengambilan informasi dan eksekusi merupakan tanggung jawab alat terhubung; kemampuan pemanggilan alat model tidak dengan sendirinya membuktikan akses ke internet, lingkungan kode, atau sistem bisnis.
Memproses teks ultra-panjang
Qwen mendokumentasikan alur opsional yang mencapai sekitar satu juta token dengan menggabungkan Dual Chunk Attention dan MInference sparse attention. Teknik pertama membagi rangkaian panjang menjadi potongan sambil mempertahankan interaksi di antaranya; teknik kedua memusatkan komputasi pada hubungan attention yang dipilih. Ini merupakan jalur konfigurasi tambahan, di luar konteks native 262,144 token. Resep produsen memerlukan konfigurasi konteks panjang khususnya dan memperkirakan total memori GPU sekitar 240 GB untuk bobot, keadaan attention yang di-cache, dan aktivasi puncak.
Resep tersebut memiliki batas sumber daya yang konkret: keadaan rangkaian yang di-cache, memori aktivasi, dan panjang masukan total masing-masing dapat menghabiskan kapasitas yang dikonfigurasi. Karena itu alur satu juta token bergantung pada konfigurasi, memori, dan implementasi attention yang didukung. Untuk tinjauan dokumen praktis, mulailah dengan materi yang relevan, tandai batas dokumen, dan minta bukti yang dapat ditelusuri, alih-alih memperlakukan masukan terbesar yang mungkin sebagai pengganti pertanyaan yang jelas.
Panduan generasi dan batas
Qwen merekomendasikan temperature 0.6, top_p 0.95, top_k 20, dan min_p 0. Qwen menyarankan anggaran keluaran 32,768 token untuk sebagian besar kueri dan 81,920 untuk masalah matematika atau pemrograman yang sangat sulit. Ini adalah rekomendasi anggaran generasi, bukan batas maksimum keluaran mutlak yang dipublikasikan secara terpisah. Presence penalty antara nol dan dua dapat mengurangi pengulangan, tetapi nilai yang lebih tinggi dapat mencampur bahasa atau sedikit menurunkan kualitas.
Tentukan format jawaban akhir dalam prompt, seperti hasil matematika dengan batas yang jelas atau bidang jawaban untuk pertanyaan pilihan ganda. Simpan hanya bagian jawaban akhir dalam riwayat percakapan, sebagaimana direkomendasikan produsen. Penalaran yang lebih panjang berguna ketika menghasilkan hasil yang dapat diperiksa; periksa asumsi, perhitungan, dan kode yang diusulkan sebelum mengandalkan hasilnya.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen3-30b-a3b-thinking-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.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | 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": "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 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-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
qwen3-30b-a3b-thinking-2507Qwen3-30B-A3B-Thinking-2507 adalah model teks Qwen yang hanya menggunakan thinking untuk matematika, sains, pemrograman, dan penalaran logis yang menuntut. Edisi 2507 tetap ini menyediakan konteks native 262,144 token dan anggaran penalaran lebih panjang, dengan pemanggilan alat yang didokumentasikan serta alur konteks ultra-panjang yang bersyarat.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Sorotan: rilis Thinking-2507 tetap
Qwen3-30B-A3B-Thinking-2507 adalah model pembuatan teks yang berfokus pada penalaran sulit. Qwen menjelaskan peningkatan dalam logika, matematika, sains, pemrograman, kepatuhan terhadap instruksi, penggunaan alat, dan pembuatan teks, bersama rangkaian thinking yang lebih panjang dan pemahaman konteks panjang yang lebih kuat. Pilih edisi 2507 yang persis ini ketika tugas terbantu oleh penalaran berkelanjutan, seperti memeriksa penjelasan yang bersaing, menyelesaikan masalah matematika bertahap, atau mengerjakan perubahan kode yang kompleks.
Gambaran model dan mode
Model mixture-of-experts ini memiliki total 30.5 miliar parameter dan 3.3 miliar parameter yang diaktifkan, dengan 128 pakar dan delapan yang dipilih per token di 48 lapisan. Konteks native-nya adalah 262,144 token. Model ini menerima teks dan mengembalikan teks; hasil alat diberikan melalui alur aplikasi terhubung. Checkpoint ini hanya mendukung thinking. Model ini berbeda dari Qwen3-30B-A3B hibrida yang lebih awal, edisi FP8-nya, dan Qwen3-30B-A3B-Instruct-2507. Sakelar non-thinking model hibrida tidak boleh diasumsikan berlaku di sini.
Templat chat bawaan sudah memulai rangkaian penalaran dengan penanda pembuka thinking, sehingga pengaturan enable_thinking=True secara eksplisit tidak diperlukan. Rangkaian yang dikembalikan dapat memuat penanda penutup tanpa mengulangi penanda pembuka. Contoh produsen memisahkan penalaran dari jawaban akhir. Pertahankan perbedaan tersebut saat meminta hasil konkret: kesimpulan pembuktian, patch, atau tabel keputusan harus tetap mudah ditemukan setelah penjelasan yang lebih panjang.
Menyiapkan tugas yang sulit
Berikan pernyataan masalah lengkap, batasan, dan bukti yang relevan kepada model. Untuk perubahan kode, sertakan fungsi yang sudah ada, masukan gagal, dan perilaku yang diharapkan, lalu minta usulan patch dengan penjelasan kasus batas. Untuk pertanyaan sains, pisahkan pengamatan dari asumsi dan tanyakan kesimpulan mana yang mengikuti masing-masing. Untuk kebijakan atau spesifikasi panjang, pertahankan pengenal bagian dan minta keputusan ringkas yang didukung klausul yang relevan. Ini merupakan penggunaan praktis dari domain penalaran yang didokumentasikan, bukan klaim bahwa model telah menjalankan patch atau memvalidasi eksperimen.
Karena versi ini dapat bernalar panjang, sisakan ruang untuk penalaran maupun artefak akhir. Qwen menyarankan untuk mempertahankan konteks di atas 131,072 token jika memungkinkan saat mengonfigurasi model, meskipun konteks yang lebih kecil akan meringankan tekanan memori. Angka konteks native mencakup anggaran rangkaian; angka tersebut bukan janji bahwa seluruhnya dapat digunakan untuk dokumen sambil menyisakan ruang jawaban tanpa batas.
Penggunaan berbasis agen
Produsen mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent untuk templat serta parsing alat, termasuk integrasi dengan alat yang dikonfigurasi dan alur code-interpreter. Definisikan alat dan hasil yang dimaksud secara eksplisit. Misalnya, aplikasi dapat memungkinkan model memeriksa bukti yang diambil, menggunakan kalkulator yang diizinkan, lalu menghasilkan laporan yang menjelaskan perhitungan. Pengambilan informasi dan eksekusi merupakan tanggung jawab alat terhubung; kemampuan pemanggilan alat model tidak dengan sendirinya membuktikan akses ke internet, lingkungan kode, atau sistem bisnis.
Memproses teks ultra-panjang
Qwen mendokumentasikan alur opsional yang mencapai sekitar satu juta token dengan menggabungkan Dual Chunk Attention dan MInference sparse attention. Teknik pertama membagi rangkaian panjang menjadi potongan sambil mempertahankan interaksi di antaranya; teknik kedua memusatkan komputasi pada hubungan attention yang dipilih. Ini merupakan jalur konfigurasi tambahan, di luar konteks native 262,144 token. Resep produsen memerlukan konfigurasi konteks panjang khususnya dan memperkirakan total memori GPU sekitar 240 GB untuk bobot, keadaan attention yang di-cache, dan aktivasi puncak.
Resep tersebut memiliki batas sumber daya yang konkret: keadaan rangkaian yang di-cache, memori aktivasi, dan panjang masukan total masing-masing dapat menghabiskan kapasitas yang dikonfigurasi. Karena itu alur satu juta token bergantung pada konfigurasi, memori, dan implementasi attention yang didukung. Untuk tinjauan dokumen praktis, mulailah dengan materi yang relevan, tandai batas dokumen, dan minta bukti yang dapat ditelusuri, alih-alih memperlakukan masukan terbesar yang mungkin sebagai pengganti pertanyaan yang jelas.
Panduan generasi dan batas
Qwen merekomendasikan temperature 0.6, top_p 0.95, top_k 20, dan min_p 0. Qwen menyarankan anggaran keluaran 32,768 token untuk sebagian besar kueri dan 81,920 untuk masalah matematika atau pemrograman yang sangat sulit. Ini adalah rekomendasi anggaran generasi, bukan batas maksimum keluaran mutlak yang dipublikasikan secara terpisah. Presence penalty antara nol dan dua dapat mengurangi pengulangan, tetapi nilai yang lebih tinggi dapat mencampur bahasa atau sedikit menurunkan kualitas.
Tentukan format jawaban akhir dalam prompt, seperti hasil matematika dengan batas yang jelas atau bidang jawaban untuk pertanyaan pilihan ganda. Simpan hanya bagian jawaban akhir dalam riwayat percakapan, sebagaimana direkomendasikan produsen. Penalaran yang lebih panjang berguna ketika menghasilkan hasil yang dapat diperiksa; periksa asumsi, perhitungan, dan kode yang diusulkan sebelum mengandalkan hasilnya.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen3-30b-a3b-thinking-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.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.0002 / 1K token Keluaran · Token keluaran $0.0008 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "qwen3-30b-a3b-thinking-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
Contoh teknis dalam bahasa Inggris
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.