Keunggulan Qwen3.8: penalaran teks berkelanjutan
Qwen3.8-2.4T-A95B adalah checkpoint terbuka Qwen3.8 untuk penalaran teks. Qwen menjelaskan peningkatan dalam pemrograman, pekerjaan profesional, riset, dan tugas agen jangka panjang, termasuk perencanaan dan penggunaan umpan balik lingkungan. Model ini menerima teks dan mengembalikan teks. Pembuatnya secara eksplisit memisahkannya dari layanan terkelola Qwen3.8-Max: masukan visual dan dukungan non-thinking merupakan fitur tambahan layanan tersebut, bukan kemampuan checkpoint terbuka yang spesifik ini.
Untuk tugas pemrograman, berikan modul yang relevan, persyaratan, dan masukan yang memperlihatkan perilaku saat ini. Minta perubahan beserta penjelasan dan artefak akhir yang dapat diperiksa. Untuk laporan riset atau profesional, berikan bukti, bagian yang diperlukan, dan kriteria evaluasi, lalu minta model membedakan temuan yang didukung dari asumsi. Ini merupakan penerapan praktis cakupan tugas yang didokumentasikan, bukan janji tentang kode yang telah dijalankan atau kesimpulan yang disahkan pakar.
Ikhtisar model
Model sparse mixture-of-experts ini memiliki total 2.4 triliun parameter dan mengaktifkan 95 miliar. Model ini memiliki 92 lapisan dan 512 routed expert, dengan pemilihan sepuluh routed expert bersama satu shared expert. Blok hibridanya menggabungkan Gated DeltaNet dan gated attention dengan lapisan expert, mengikuti pola tiga banding satu. Prediksi multi-token merupakan bagian dari pelatihannya. Jumlah parameter yang diaktifkan bukan ukuran checkpoint keseluruhan, dan jumlah total yang besar tidak menetapkan jaminan waktu respons.
Konteks native-nya adalah 262,144 token, dengan perluasan yang didokumentasikan hingga 1,010,000. Ini berbeda dari konteks bawaan satu juta token pada referensi Max terkelola. Gunakan alokasi urutan yang benar-benar dikonfigurasi untuk teks sumber, riwayat percakapan, penalaran, dan respons akhir, alih-alih menganggap semua angka terbesar berlaku secara bersamaan.
Menggunakan checkpoint berpikir yang spesifik
Berpikir wajib untuk setiap interaksi dan tidak dapat dinonaktifkan. Keluaran yang didokumentasikan dimulai dengan blok penalaran sebelum teks akhir. reasoning_effort mendukung xhigh, medium, dan low; xhigh adalah bawaan. Low mengurangi kedalaman yang dituju, tetapi tetap merupakan mode berpikir. Permintaan jawaban akhir ringkas dapat mengendalikan hasil yang diinginkan tanpa mengubah model ini menjadi edisi non-thinking.
preserve_thinking diaktifkan secara bawaan. Mempertahankan penalaran dari giliran sebelumnya membantu tugas iteratif meneruskan konteks keputusannya. Kaitkan koreksi, hasil alat, dan jawaban akhir dengan giliran yang menghasilkannya. Model ini harus mengikuti kontrak riwayatnya sendiri, alih-alih mewarisi saran lama untuk menghapus setiap blok penalaran dari pesan terdahulu. Ketersediaan tepat kontrol upaya dan pemeliharaan bergantung pada antarmuka yang mengimplementasikan resep checkpoint.
Harness dan umpan balik lingkungan
Qwen menjelaskan kompatibilitas dengan harness pengembangan dan alat. Tugas berkelanjutan dapat dinyatakan sebagai tujuan, tindakan yang diizinkan, dan bukti penyelesaian; aplikasi kemudian dapat memberikan pengamatan dari pemeriksaan atau eksekusi. Minta model menjelaskan bagaimana setiap hasil baru mengubah rencana dan melaporkan apa yang masih belum terselesaikan. Merencanakan tindakan dan menerima hasil nyata merupakan bagian berbeda dari alur kerja tersebut.
Contoh Max terkelola pada kartu mencakup alat bawaan tambahan. Contoh tersebut tidak boleh diubah menjadi pencarian web otomatis, eksekusi kode, atau masukan visual untuk model terbuka ini. Perannya yang berguna adalah komponen penalaran teks dalam alur kerja terhubung; alat dan dampak eksternal merupakan tanggung jawab aplikasi yang menyediakannya.
Rekomendasi pembuatan keluaran
Pembuatnya merekomendasikan temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0, dan repetition penalty 1.0. Jika didukung, presence penalty antara nol dan dua dapat mengurangi teks berulang, tetapi nilai yang lebih tinggi dapat mencampurkan bahasa atau sedikit menurunkan kualitas. Dukungan parameter bervariasi menurut implementasi.
Untuk alur kerja satu juta token yang dikonfigurasi dengan batas penalaran dan respons akhir terpisah, Qwen merekomendasikan 262,144 token untuk penalaran dan 131,072 untuk jawaban akhir. Itu merupakan alokasi bersyarat, bukan batas atas tegas yang ditetapkan secara terpisah atau anggaran yang muat bersama dalam konteks native 262,144 token. Alokasikan ruang yang cukup untuk artefak lengkap dan minta hasil akhir yang mudah ditemukan setelah penalaran.
Batasan praktis
Checkpoint ini tidak menerima gambar, audio, atau video. Jika diperlukan, ubah bukti yang relevan menjadi representasi teks yang sesuai melalui alur kerja terpisah, sambil mempertahankan pengenal yang memungkinkan pemeriksaan jawaban. Kartu menyatakan konteks yang diperluas, tetapi tidak memberikan resep perluasan lengkap per tugas atau batas media universal untuk model yang hanya menerima teks ini. Pertahankan identitas dan konfigurasi checkpoint yang tepat, periksa perhitungan serta usulan kode terhadap sumber, dan perlakukan artefak akhir sebagai hasil untuk ditinjau, bukan bukti bahwa seluruh tugas eksternal telah selesai.
", "aboutText": "Keunggulan Qwen3.8: penalaran teks berkelanjutan\n\nQwen3.8-2.4T-A95B adalah checkpoint terbuka Qwen3.8 untuk penalaran teks. Qwen menjelaskan peningkatan dalam pemrograman, pekerjaan profesional, riset, dan tugas agen jangka panjang, termasuk perencanaan dan penggunaan umpan balik lingkungan. Model ini menerima teks dan mengembalikan teks. Pembuatnya secara eksplisit memisahkannya dari layanan terkelola Qwen3.8-Max: masukan visual dan dukungan non-thinking merupakan fitur tambahan layanan tersebut, bukan kemampuan checkpoint terbuka yang spesifik ini.\n\nUntuk tugas pemrograman, berikan modul yang relevan, persyaratan, dan masukan yang memperlihatkan perilaku saat ini. Minta perubahan beserta penjelasan dan artefak akhir yang dapat diperiksa. Untuk laporan riset atau profesional, berikan bukti, bagian yang diperlukan, dan kriteria evaluasi, lalu minta model membedakan temuan yang didukung dari asumsi. Ini merupakan penerapan praktis cakupan tugas yang didokumentasikan, bukan janji tentang kode yang telah dijalankan atau kesimpulan yang disahkan pakar.\n\nIkhtisar model\n\nModel sparse mixture-of-experts ini memiliki total 2.4 triliun parameter dan mengaktifkan 95 miliar. Model ini memiliki 92 lapisan dan 512 routed expert, dengan pemilihan sepuluh routed expert bersama satu shared expert. Blok hibridanya menggabungkan Gated DeltaNet dan gated attention dengan lapisan expert, mengikuti pola tiga banding satu. Prediksi multi-token merupakan bagian dari pelatihannya. Jumlah parameter yang diaktifkan bukan ukuran checkpoint keseluruhan, dan jumlah total yang besar tidak menetapkan jaminan waktu respons.\n\nKonteks native-nya adalah 262,144 token, dengan perluasan yang didokumentasikan hingga 1,010,000. Ini berbeda dari konteks bawaan satu juta token pada referensi Max terkelola. Gunakan alokasi urutan yang benar-benar dikonfigurasi untuk teks sumber, riwayat percakapan, penalaran, dan respons akhir, alih-alih menganggap semua angka terbesar berlaku secara bersamaan.\n\nMenggunakan checkpoint berpikir yang spesifik\n\nBerpikir wajib untuk setiap interaksi dan tidak dapat dinonaktifkan. Keluaran yang didokumentasikan dimulai dengan blok penalaran sebelum teks akhir. reasoning_effort mendukung xhigh, medium, dan low; xhigh adalah bawaan. Low mengurangi kedalaman yang dituju, tetapi tetap merupakan mode berpikir. Permintaan jawaban akhir ringkas dapat mengendalikan hasil yang diinginkan tanpa mengubah model ini menjadi edisi non-thinking.\n\npreserve_thinking diaktifkan secara bawaan. Mempertahankan penalaran dari giliran sebelumnya membantu tugas iteratif meneruskan konteks keputusannya. Kaitkan koreksi, hasil alat, dan jawaban akhir dengan giliran yang menghasilkannya. Model ini harus mengikuti kontrak riwayatnya sendiri, alih-alih mewarisi saran lama untuk menghapus setiap blok penalaran dari pesan terdahulu. Ketersediaan tepat kontrol upaya dan pemeliharaan bergantung pada antarmuka yang mengimplementasikan resep checkpoint.\n\nHarness dan umpan balik lingkungan\n\nQwen menjelaskan kompatibilitas dengan harness pengembangan dan alat. Tugas berkelanjutan dapat dinyatakan sebagai tujuan, tindakan yang diizinkan, dan bukti penyelesaian; aplikasi kemudian dapat memberikan pengamatan dari pemeriksaan atau eksekusi. Minta model menjelaskan bagaimana setiap hasil baru mengubah rencana dan melaporkan apa yang masih belum terselesaikan. Merencanakan tindakan dan menerima hasil nyata merupakan bagian berbeda dari alur kerja tersebut.\n\nContoh Max terkelola pada kartu mencakup alat bawaan tambahan. Contoh tersebut tidak boleh diubah menjadi pencarian web otomatis, eksekusi kode, atau masukan visual untuk model terbuka ini. Perannya yang berguna adalah komponen penalaran teks dalam alur kerja terhubung; alat dan dampak eksternal merupakan tanggung jawab aplikasi yang menyediakannya.\n\nRekomendasi pembuatan keluaran\n\nPembuatnya merekomendasikan temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0, dan repetition penalty 1.0. Jika didukung, presence penalty antara nol dan dua dapat mengurangi teks berulang, tetapi nilai yang lebih tinggi dapat mencampurkan bahasa atau sedikit menurunkan kualitas. Dukungan parameter bervariasi menurut implementasi.\n\nUntuk alur kerja satu juta token yang dikonfigurasi dengan batas penalaran dan respons akhir terpisah, Qwen merekomendasikan 262,144 token untuk penalaran dan 131,072 untuk jawaban akhir. Itu merupakan alokasi bersyarat, bukan batas atas tegas yang ditetapkan secara terpisah atau anggaran yang muat bersama dalam konteks native 262,144 token. Alokasikan ruang yang cukup untuk artefak lengkap dan minta hasil akhir yang mudah ditemukan setelah penalaran.\n\nBatasan praktis\n\nCheckpoint ini tidak menerima gambar, audio, atau video. Jika diperlukan, ubah bukti yang relevan menjadi representasi teks yang sesuai melalui alur kerja terpisah, sambil mempertahankan pengenal yang memungkinkan pemeriksaan jawaban. Kartu menyatakan konteks yang diperluas, tetapi tidak memberikan resep perluasan lengkap per tugas atau batas media universal untuk model yang hanya menerima teks ini. Pertahankan identitas dan konfigurasi checkpoint yang tepat, periksa perhitungan serta usulan kode terhadap sumber, dan perlakukan artefak akhir sebagai hasil untuk ditinjau, bukan bukti bahwa seluruh tugas eksternal telah selesai.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Review a resumable migration plan\n\nReview this migration design against the requirement that every row is copied exactly once. Step 1 copies 100 rows after last_id. Step 2 saves last_id. A crash can occur between steps. Explain the duplicate risk after restart and propose a minimal idempotent write or atomic checkpoint design. Include a test that interrupts precisely between the two steps.A cause analysis, one concrete correction strategy and a crash-point regression scenario.Rerunning after the interruption cannot produce duplicate destination rows or skip uncopied source rows.qwen/qwen3.8-2.4t-a95bQwen3.8-2.4T-A95B adalah model penalaran teks sparse mixture-of-experts Qwen, dengan total 2.4 triliun parameter dan 95 miliar yang diaktifkan. Checkpoint terbuka ini selalu menggunakan mode berpikir, mendukung upaya penalaran yang dapat disesuaikan, dan mempertahankan konteks penalaran untuk tugas pemrograman serta profesional berkelanjutan.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Keunggulan Qwen3.8: penalaran teks berkelanjutan
Qwen3.8-2.4T-A95B adalah checkpoint terbuka Qwen3.8 untuk penalaran teks. Qwen menjelaskan peningkatan dalam pemrograman, pekerjaan profesional, riset, dan tugas agen jangka panjang, termasuk perencanaan dan penggunaan umpan balik lingkungan. Model ini menerima teks dan mengembalikan teks. Pembuatnya secara eksplisit memisahkannya dari layanan terkelola Qwen3.8-Max: masukan visual dan dukungan non-thinking merupakan fitur tambahan layanan tersebut, bukan kemampuan checkpoint terbuka yang spesifik ini.
Untuk tugas pemrograman, berikan modul yang relevan, persyaratan, dan masukan yang memperlihatkan perilaku saat ini. Minta perubahan beserta penjelasan dan artefak akhir yang dapat diperiksa. Untuk laporan riset atau profesional, berikan bukti, bagian yang diperlukan, dan kriteria evaluasi, lalu minta model membedakan temuan yang didukung dari asumsi. Ini merupakan penerapan praktis cakupan tugas yang didokumentasikan, bukan janji tentang kode yang telah dijalankan atau kesimpulan yang disahkan pakar.
Ikhtisar model
Model sparse mixture-of-experts ini memiliki total 2.4 triliun parameter dan mengaktifkan 95 miliar. Model ini memiliki 92 lapisan dan 512 routed expert, dengan pemilihan sepuluh routed expert bersama satu shared expert. Blok hibridanya menggabungkan Gated DeltaNet dan gated attention dengan lapisan expert, mengikuti pola tiga banding satu. Prediksi multi-token merupakan bagian dari pelatihannya. Jumlah parameter yang diaktifkan bukan ukuran checkpoint keseluruhan, dan jumlah total yang besar tidak menetapkan jaminan waktu respons.
Konteks native-nya adalah 262,144 token, dengan perluasan yang didokumentasikan hingga 1,010,000. Ini berbeda dari konteks bawaan satu juta token pada referensi Max terkelola. Gunakan alokasi urutan yang benar-benar dikonfigurasi untuk teks sumber, riwayat percakapan, penalaran, dan respons akhir, alih-alih menganggap semua angka terbesar berlaku secara bersamaan.
Menggunakan checkpoint berpikir yang spesifik
Berpikir wajib untuk setiap interaksi dan tidak dapat dinonaktifkan. Keluaran yang didokumentasikan dimulai dengan blok penalaran sebelum teks akhir. reasoning_effort mendukung xhigh, medium, dan low; xhigh adalah bawaan. Low mengurangi kedalaman yang dituju, tetapi tetap merupakan mode berpikir. Permintaan jawaban akhir ringkas dapat mengendalikan hasil yang diinginkan tanpa mengubah model ini menjadi edisi non-thinking.
preserve_thinking diaktifkan secara bawaan. Mempertahankan penalaran dari giliran sebelumnya membantu tugas iteratif meneruskan konteks keputusannya. Kaitkan koreksi, hasil alat, dan jawaban akhir dengan giliran yang menghasilkannya. Model ini harus mengikuti kontrak riwayatnya sendiri, alih-alih mewarisi saran lama untuk menghapus setiap blok penalaran dari pesan terdahulu. Ketersediaan tepat kontrol upaya dan pemeliharaan bergantung pada antarmuka yang mengimplementasikan resep checkpoint.
Harness dan umpan balik lingkungan
Qwen menjelaskan kompatibilitas dengan harness pengembangan dan alat. Tugas berkelanjutan dapat dinyatakan sebagai tujuan, tindakan yang diizinkan, dan bukti penyelesaian; aplikasi kemudian dapat memberikan pengamatan dari pemeriksaan atau eksekusi. Minta model menjelaskan bagaimana setiap hasil baru mengubah rencana dan melaporkan apa yang masih belum terselesaikan. Merencanakan tindakan dan menerima hasil nyata merupakan bagian berbeda dari alur kerja tersebut.
Contoh Max terkelola pada kartu mencakup alat bawaan tambahan. Contoh tersebut tidak boleh diubah menjadi pencarian web otomatis, eksekusi kode, atau masukan visual untuk model terbuka ini. Perannya yang berguna adalah komponen penalaran teks dalam alur kerja terhubung; alat dan dampak eksternal merupakan tanggung jawab aplikasi yang menyediakannya.
Rekomendasi pembuatan keluaran
Pembuatnya merekomendasikan temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0, dan repetition penalty 1.0. Jika didukung, presence penalty antara nol dan dua dapat mengurangi teks berulang, tetapi nilai yang lebih tinggi dapat mencampurkan bahasa atau sedikit menurunkan kualitas. Dukungan parameter bervariasi menurut implementasi.
Untuk alur kerja satu juta token yang dikonfigurasi dengan batas penalaran dan respons akhir terpisah, Qwen merekomendasikan 262,144 token untuk penalaran dan 131,072 untuk jawaban akhir. Itu merupakan alokasi bersyarat, bukan batas atas tegas yang ditetapkan secara terpisah atau anggaran yang muat bersama dalam konteks native 262,144 token. Alokasikan ruang yang cukup untuk artefak lengkap dan minta hasil akhir yang mudah ditemukan setelah penalaran.
Batasan praktis
Checkpoint ini tidak menerima gambar, audio, atau video. Jika diperlukan, ubah bukti yang relevan menjadi representasi teks yang sesuai melalui alur kerja terpisah, sambil mempertahankan pengenal yang memungkinkan pemeriksaan jawaban. Kartu menyatakan konteks yang diperluas, tetapi tidak memberikan resep perluasan lengkap per tugas atau batas media universal untuk model yang hanya menerima teks ini. Pertahankan identitas dan konfigurasi checkpoint yang tepat, periksa perhitungan serta usulan kode terhadap sumber, dan perlakukan artefak akhir sebagai hasil untuk ditinjau, bukan bukti bahwa seluruh tugas eksternal telah selesai.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen/qwen3.8-2.4t-a95b | 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 $0.004 / 1K token Keluaran · Token keluaran $0.012 / 1K token Masukan · Pembacaan cache $0.0005 / 1K token Masukan · Penulisan cache $0.005 / 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 $0.004 / 1K token Keluaran · Token keluaran $0.012 / 1K token Masukan · Pembacaan cache $0.0005 / 1K token Masukan · Penulisan cache $0.005 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.8-2.4t-a95b", "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/qwen3.8-2.4t-a95b',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/qwen3.8-2.4t-a95b',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/qwen3.8-2.4t-a95b
Gunakan jalur metode yang ditampilkan di atas.
qwen/qwen3.8-2.4t-a95bQwen3.8-2.4T-A95B adalah model penalaran teks sparse mixture-of-experts Qwen, dengan total 2.4 triliun parameter dan 95 miliar yang diaktifkan. Checkpoint terbuka ini selalu menggunakan mode berpikir, mendukung upaya penalaran yang dapat disesuaikan, dan mempertahankan konteks penalaran untuk tugas pemrograman serta profesional berkelanjutan.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Keunggulan Qwen3.8: penalaran teks berkelanjutan
Qwen3.8-2.4T-A95B adalah checkpoint terbuka Qwen3.8 untuk penalaran teks. Qwen menjelaskan peningkatan dalam pemrograman, pekerjaan profesional, riset, dan tugas agen jangka panjang, termasuk perencanaan dan penggunaan umpan balik lingkungan. Model ini menerima teks dan mengembalikan teks. Pembuatnya secara eksplisit memisahkannya dari layanan terkelola Qwen3.8-Max: masukan visual dan dukungan non-thinking merupakan fitur tambahan layanan tersebut, bukan kemampuan checkpoint terbuka yang spesifik ini.
Untuk tugas pemrograman, berikan modul yang relevan, persyaratan, dan masukan yang memperlihatkan perilaku saat ini. Minta perubahan beserta penjelasan dan artefak akhir yang dapat diperiksa. Untuk laporan riset atau profesional, berikan bukti, bagian yang diperlukan, dan kriteria evaluasi, lalu minta model membedakan temuan yang didukung dari asumsi. Ini merupakan penerapan praktis cakupan tugas yang didokumentasikan, bukan janji tentang kode yang telah dijalankan atau kesimpulan yang disahkan pakar.
Ikhtisar model
Model sparse mixture-of-experts ini memiliki total 2.4 triliun parameter dan mengaktifkan 95 miliar. Model ini memiliki 92 lapisan dan 512 routed expert, dengan pemilihan sepuluh routed expert bersama satu shared expert. Blok hibridanya menggabungkan Gated DeltaNet dan gated attention dengan lapisan expert, mengikuti pola tiga banding satu. Prediksi multi-token merupakan bagian dari pelatihannya. Jumlah parameter yang diaktifkan bukan ukuran checkpoint keseluruhan, dan jumlah total yang besar tidak menetapkan jaminan waktu respons.
Konteks native-nya adalah 262,144 token, dengan perluasan yang didokumentasikan hingga 1,010,000. Ini berbeda dari konteks bawaan satu juta token pada referensi Max terkelola. Gunakan alokasi urutan yang benar-benar dikonfigurasi untuk teks sumber, riwayat percakapan, penalaran, dan respons akhir, alih-alih menganggap semua angka terbesar berlaku secara bersamaan.
Menggunakan checkpoint berpikir yang spesifik
Berpikir wajib untuk setiap interaksi dan tidak dapat dinonaktifkan. Keluaran yang didokumentasikan dimulai dengan blok penalaran sebelum teks akhir. reasoning_effort mendukung xhigh, medium, dan low; xhigh adalah bawaan. Low mengurangi kedalaman yang dituju, tetapi tetap merupakan mode berpikir. Permintaan jawaban akhir ringkas dapat mengendalikan hasil yang diinginkan tanpa mengubah model ini menjadi edisi non-thinking.
preserve_thinking diaktifkan secara bawaan. Mempertahankan penalaran dari giliran sebelumnya membantu tugas iteratif meneruskan konteks keputusannya. Kaitkan koreksi, hasil alat, dan jawaban akhir dengan giliran yang menghasilkannya. Model ini harus mengikuti kontrak riwayatnya sendiri, alih-alih mewarisi saran lama untuk menghapus setiap blok penalaran dari pesan terdahulu. Ketersediaan tepat kontrol upaya dan pemeliharaan bergantung pada antarmuka yang mengimplementasikan resep checkpoint.
Harness dan umpan balik lingkungan
Qwen menjelaskan kompatibilitas dengan harness pengembangan dan alat. Tugas berkelanjutan dapat dinyatakan sebagai tujuan, tindakan yang diizinkan, dan bukti penyelesaian; aplikasi kemudian dapat memberikan pengamatan dari pemeriksaan atau eksekusi. Minta model menjelaskan bagaimana setiap hasil baru mengubah rencana dan melaporkan apa yang masih belum terselesaikan. Merencanakan tindakan dan menerima hasil nyata merupakan bagian berbeda dari alur kerja tersebut.
Contoh Max terkelola pada kartu mencakup alat bawaan tambahan. Contoh tersebut tidak boleh diubah menjadi pencarian web otomatis, eksekusi kode, atau masukan visual untuk model terbuka ini. Perannya yang berguna adalah komponen penalaran teks dalam alur kerja terhubung; alat dan dampak eksternal merupakan tanggung jawab aplikasi yang menyediakannya.
Rekomendasi pembuatan keluaran
Pembuatnya merekomendasikan temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0, dan repetition penalty 1.0. Jika didukung, presence penalty antara nol dan dua dapat mengurangi teks berulang, tetapi nilai yang lebih tinggi dapat mencampurkan bahasa atau sedikit menurunkan kualitas. Dukungan parameter bervariasi menurut implementasi.
Untuk alur kerja satu juta token yang dikonfigurasi dengan batas penalaran dan respons akhir terpisah, Qwen merekomendasikan 262,144 token untuk penalaran dan 131,072 untuk jawaban akhir. Itu merupakan alokasi bersyarat, bukan batas atas tegas yang ditetapkan secara terpisah atau anggaran yang muat bersama dalam konteks native 262,144 token. Alokasikan ruang yang cukup untuk artefak lengkap dan minta hasil akhir yang mudah ditemukan setelah penalaran.
Batasan praktis
Checkpoint ini tidak menerima gambar, audio, atau video. Jika diperlukan, ubah bukti yang relevan menjadi representasi teks yang sesuai melalui alur kerja terpisah, sambil mempertahankan pengenal yang memungkinkan pemeriksaan jawaban. Kartu menyatakan konteks yang diperluas, tetapi tidak memberikan resep perluasan lengkap per tugas atau batas media universal untuk model yang hanya menerima teks ini. Pertahankan identitas dan konfigurasi checkpoint yang tepat, periksa perhitungan serta usulan kode terhadap sumber, dan perlakukan artefak akhir sebagai hasil untuk ditinjau, bukan bukti bahwa seluruh tugas eksternal telah selesai.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen/qwen3.8-2.4t-a95b | 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 $0.004 / 1K token Keluaran · Token keluaran $0.012 / 1K token Masukan · Pembacaan cache $0.0005 / 1K token Masukan · Penulisan cache $0.005 / 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 $0.004 / 1K token Keluaran · Token keluaran $0.012 / 1K token Masukan · Pembacaan cache $0.0005 / 1K token Masukan · Penulisan cache $0.005 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "qwen/qwen3.8-2.4t-a95b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.8-2.4t-a95b', '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/qwen3.8-2.4t-a95b', '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/qwen3.8-2.4t-a95b
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Review a resumable migration plan\n\nReview this migration design against the requirement that every row is copied exactly once. Step 1 copies 100 rows after last_id. Step 2 saves last_id. A crash can occur between steps. Explain the duplicate risk after restart and propose a minimal idempotent write or atomic checkpoint design. Include a test that interrupts precisely between the two steps.A cause analysis, one concrete correction strategy and a crash-point regression scenario.Rerunning after the interruption cannot produce duplicate destination rows or skip uncopied source rows.