Keunggulan Qwen3.8 dalam model visi-bahasa dense
Qwen3.8-27B menghadirkan peningkatan Qwen3.8 dalam pemrograman, pekerjaan profesional, riset, dan tugas agen ke dalam model dense dengan 27 miliar parameter. Model ini menerima teks, gambar, dan video serta mengembalikan teks. Cakupan visual yang didokumentasikan meliputi diagram STEM, halaman dokumen, dan video berdurasi dalam hitungan jam. Ini merupakan checkpoint berbeda dari Qwen3.8-2.4T-A95B yang jauh lebih besar dan hanya menerima teks, sehingga kemampuan masukan serta kontrak mode berpikir keduanya harus tetap dipisahkan.
Qwen menekankan perencanaan otonom, penggunaan umpan balik lingkungan, dan integrasi dengan harness pengembangan. Untuk tugas agen, berikan tujuan, materi yang relevan, alat yang diizinkan, dan bukti yang akan menunjukkan penyelesaian. Model dapat mengusulkan dan merevisi tindakan menggunakan hasil yang dikembalikan; perangkat lunak yang terhubung menjalankan tindakan tersebut. Minta artefak akhir dan kondisi yang belum terselesaikan, alih-alih memperlakukan rencana sebagai hasil yang telah dieksekusi.
Ikhtisar model
Model 27B memiliki 64 lapisan model bahasa. Tata letak hibridanya mengelompokkan tiga lapisan Gated DeltaNet yang diikuti satu lapisan gated-attention, dengan jaringan feed-forward dense. Model ini dilatih dengan prediksi multi-token dan menyertakan encoder visi. Pilihan arsitektur ini menjelaskan model yang dirilis; hal itu tidak menyiratkan bahwa setiap penerapan memiliki penggunaan memori atau latensi yang identik.
Konteks native-nya adalah 262,144 token, dengan perluasan yang didokumentasikan ke 1,000,000. Teks, representasi visual, riwayat percakapan, proses berpikir, dan keluaran akhir berbagi anggaran urutan yang dikonfigurasi. Pembuatnya secara terpisah membahas edisi terkelola dengan fitur tambahan; fitur tersebut tidak boleh otomatis diberikan kepada checkpoint terbuka.
Menggunakan teks, gambar, dan video
Untuk tugas kode, berikan fungsi atau modul yang relevan, masukan yang gagal, dan perilaku yang diharapkan, lalu minta patch beserta asumsi dan pemeriksaan yang terdampak. Untuk diagram, pertahankan label dan berikan pertanyaan lengkap. Untuk dokumen, minta kolom bernama atau kesimpulan beserta referensi halaman. Untuk video, nyatakan kejadian yang menjadi perhatian dan pertahankan waktunya.
Contoh video dari pembuatnya secara bawaan menggunakan dua bingkai per detik dalam alur layanan yang didukungnya, dengan kontrol pengambilan sampel opsional. Ringkasan pemandangan umum dan kejadian singkat mungkin memerlukan pengambilan sampel berbeda. Panduan video panjang merekomendasikan perluasan anggaran pemroses video untuk mendukung pengambilan sampel berlaju lebih tinggi bagi materi berdurasi dalam hitungan jam, dengan contoh yang setara sekitar 224K token video. Ini memerlukan konfigurasi dan bersaing dengan konten konteks lain; hal itu bukan jaminan durasi klip universal.
Berpikir dan penalaran historis
Berpikir diaktifkan secara bawaan dan dapat dinonaktifkan per permintaan melalui kontrol enable_thinking dari pembuatnya. reasoning_effort mendukung xhigh, medium, dan low, dengan xhigh sebagai bawaan. Upaya yang lebih rendah dapat mempersingkat satu giliran, tetapi Qwen memperingatkan bahwa analisis yang tidak memadai dalam tugas agen dapat menyebabkan kegagalan dan pekerjaan berulang, sehingga meningkatkan total waktu penyelesaian.
preserve_thinking diaktifkan secara bawaan, mempertahankan blok penalaran dari pesan historis untuk kesinambungan. Menonaktifkannya hanya mempertahankan blok berpikir yang dihasilkan saat menangani pesan pengguna terbaru. Ini berbeda dari panduan Qwen yang lebih lama yang membuang penalaran historis sepenuhnya. Pisahkan penalaran dan konten akhir dalam antarmuka, dan pertahankan format percakapan yang tepat yang diharapkan checkpoint. Kontrol pembuatnya tidak menetapkan parameter mana yang disediakan aplikasi lain.
Panduan pembuatan keluaran
Untuk mode berpikir, Qwen merekomendasikan temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0, dan repetition penalty 1.0. Untuk respons langsung, pembuatnya masing-masing merekomendasikan 0.7, 0.8, 20, 0, 1.5, dan 1.0. Presence penalty yang lebih tinggi dapat mengurangi pengulangan, tetapi dapat mencampurkan bahasa atau sedikit menurunkan kualitas.
Dalam alur kerja satu juta token yang dikonfigurasi dan mendukung batas terpisah, pembuatnya merekomendasikan alokasi 262,144 token untuk penalaran dan 131,072 untuk respons akhir. Ini merupakan rekomendasi anggaran bersyarat, bukan batas atas keluaran tegas yang independen atau alokasi yang muat bersamaan di dalam konteks native.
Konteks sangat panjang dan batasan
Perluasan yang didokumentasikan menggunakan YaRN dengan pengaturan posisi interleaved milik model sendiri. Faktor empat menargetkan alur kerja satu juta token; untuk beban kerja sekitar 524,288 token, pembuatnya menyarankan faktor dua. Penskalaan statis dapat memengaruhi kualitas teks yang lebih pendek, sehingga Qwen menyarankan pengaktifannya ketika konteks lebih panjang diperlukan. Jangan menyalin faktor ekstrapolasi edisi Qwen-VL lain tanpa resepnya sendiri.
Susun masukan panjang menurut dokumen, halaman, atau pengenal kode dan minta hasil yang dapat diperiksa. Verifikasi perhitungan, label visual kecil, dan patch yang dihasilkan terhadap sumber. Konteks panjang, penalaran yang dipertahankan, dan anggaran video yang lebih besar membantu membawa lebih banyak bukti sepanjang tugas; semuanya tidak dengan sendirinya membuktikan ingatan lengkap, penalaran yang benar, atau tindakan eksternal yang telah selesai.
", "aboutText": "Keunggulan Qwen3.8 dalam model visi-bahasa dense\n\nQwen3.8-27B menghadirkan peningkatan Qwen3.8 dalam pemrograman, pekerjaan profesional, riset, dan tugas agen ke dalam model dense dengan 27 miliar parameter. Model ini menerima teks, gambar, dan video serta mengembalikan teks. Cakupan visual yang didokumentasikan meliputi diagram STEM, halaman dokumen, dan video berdurasi dalam hitungan jam. Ini merupakan checkpoint berbeda dari Qwen3.8-2.4T-A95B yang jauh lebih besar dan hanya menerima teks, sehingga kemampuan masukan serta kontrak mode berpikir keduanya harus tetap dipisahkan.\n\nQwen menekankan perencanaan otonom, penggunaan umpan balik lingkungan, dan integrasi dengan harness pengembangan. Untuk tugas agen, berikan tujuan, materi yang relevan, alat yang diizinkan, dan bukti yang akan menunjukkan penyelesaian. Model dapat mengusulkan dan merevisi tindakan menggunakan hasil yang dikembalikan; perangkat lunak yang terhubung menjalankan tindakan tersebut. Minta artefak akhir dan kondisi yang belum terselesaikan, alih-alih memperlakukan rencana sebagai hasil yang telah dieksekusi.\n\nIkhtisar model\n\nModel 27B memiliki 64 lapisan model bahasa. Tata letak hibridanya mengelompokkan tiga lapisan Gated DeltaNet yang diikuti satu lapisan gated-attention, dengan jaringan feed-forward dense. Model ini dilatih dengan prediksi multi-token dan menyertakan encoder visi. Pilihan arsitektur ini menjelaskan model yang dirilis; hal itu tidak menyiratkan bahwa setiap penerapan memiliki penggunaan memori atau latensi yang identik.\n\nKonteks native-nya adalah 262,144 token, dengan perluasan yang didokumentasikan ke 1,000,000. Teks, representasi visual, riwayat percakapan, proses berpikir, dan keluaran akhir berbagi anggaran urutan yang dikonfigurasi. Pembuatnya secara terpisah membahas edisi terkelola dengan fitur tambahan; fitur tersebut tidak boleh otomatis diberikan kepada checkpoint terbuka.\n\nMenggunakan teks, gambar, dan video\n\nUntuk tugas kode, berikan fungsi atau modul yang relevan, masukan yang gagal, dan perilaku yang diharapkan, lalu minta patch beserta asumsi dan pemeriksaan yang terdampak. Untuk diagram, pertahankan label dan berikan pertanyaan lengkap. Untuk dokumen, minta kolom bernama atau kesimpulan beserta referensi halaman. Untuk video, nyatakan kejadian yang menjadi perhatian dan pertahankan waktunya.\n\nContoh video dari pembuatnya secara bawaan menggunakan dua bingkai per detik dalam alur layanan yang didukungnya, dengan kontrol pengambilan sampel opsional. Ringkasan pemandangan umum dan kejadian singkat mungkin memerlukan pengambilan sampel berbeda. Panduan video panjang merekomendasikan perluasan anggaran pemroses video untuk mendukung pengambilan sampel berlaju lebih tinggi bagi materi berdurasi dalam hitungan jam, dengan contoh yang setara sekitar 224K token video. Ini memerlukan konfigurasi dan bersaing dengan konten konteks lain; hal itu bukan jaminan durasi klip universal.\n\nBerpikir dan penalaran historis\n\nBerpikir diaktifkan secara bawaan dan dapat dinonaktifkan per permintaan melalui kontrol enable_thinking dari pembuatnya. reasoning_effort mendukung xhigh, medium, dan low, dengan xhigh sebagai bawaan. Upaya yang lebih rendah dapat mempersingkat satu giliran, tetapi Qwen memperingatkan bahwa analisis yang tidak memadai dalam tugas agen dapat menyebabkan kegagalan dan pekerjaan berulang, sehingga meningkatkan total waktu penyelesaian.\n\npreserve_thinking diaktifkan secara bawaan, mempertahankan blok penalaran dari pesan historis untuk kesinambungan. Menonaktifkannya hanya mempertahankan blok berpikir yang dihasilkan saat menangani pesan pengguna terbaru. Ini berbeda dari panduan Qwen yang lebih lama yang membuang penalaran historis sepenuhnya. Pisahkan penalaran dan konten akhir dalam antarmuka, dan pertahankan format percakapan yang tepat yang diharapkan checkpoint. Kontrol pembuatnya tidak menetapkan parameter mana yang disediakan aplikasi lain.\n\nPanduan pembuatan keluaran\n\nUntuk mode berpikir, Qwen merekomendasikan temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0, dan repetition penalty 1.0. Untuk respons langsung, pembuatnya masing-masing merekomendasikan 0.7, 0.8, 20, 0, 1.5, dan 1.0. Presence penalty yang lebih tinggi dapat mengurangi pengulangan, tetapi dapat mencampurkan bahasa atau sedikit menurunkan kualitas.\n\nDalam alur kerja satu juta token yang dikonfigurasi dan mendukung batas terpisah, pembuatnya merekomendasikan alokasi 262,144 token untuk penalaran dan 131,072 untuk respons akhir. Ini merupakan rekomendasi anggaran bersyarat, bukan batas atas keluaran tegas yang independen atau alokasi yang muat bersamaan di dalam konteks native.\n\nKonteks sangat panjang dan batasan\n\nPerluasan yang didokumentasikan menggunakan YaRN dengan pengaturan posisi interleaved milik model sendiri. Faktor empat menargetkan alur kerja satu juta token; untuk beban kerja sekitar 524,288 token, pembuatnya menyarankan faktor dua. Penskalaan statis dapat memengaruhi kualitas teks yang lebih pendek, sehingga Qwen menyarankan pengaktifannya ketika konteks lebih panjang diperlukan. Jangan menyalin faktor ekstrapolasi edisi Qwen-VL lain tanpa resepnya sendiri.\n\nSusun masukan panjang menurut dokumen, halaman, atau pengenal kode dan minta hasil yang dapat diperiksa. Verifikasi perhitungan, label visual kecil, dan patch yang dihasilkan terhadap sumber. Konteks panjang, penalaran yang dipertahankan, dan anggaran video yang lebih besar membantu membawa lebih banyak bukti sepanjang tugas; semuanya tidak dengan sendirinya membuktikan ingatan lengkap, penalaran yang benar, atau tindakan eksternal yang telah selesai.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Analyze a circuit described in text\n\nA written circuit description gives two 6-ohm resistors connected in parallel across an ideal 12-volt source. Assume ideal wires and constant resistance. Derive the equivalent resistance, total current and current through each branch. Show the formulas and verify that branch currents add to the total. No circuit image or execution tool is provided.A short derivation with units, three requested quantities and a current-sum check.Equivalent resistance is 3 ohms and the two equal branch currents sum to the derived total current.qwen/qwen3.8-27bQwen3.8-27B adalah model visi-bahasa dense Qwen untuk teks, gambar, dan video, dengan keluaran teks. Model ini menggabungkan pemrograman dan tugas agen yang mencakup banyak langkah dengan mode berpikir yang dapat dipilih, pemeliharaan penalaran, dan konteks native 262,144 token, yang dapat diperluas menjadi satu juta melalui konfigurasi.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Keunggulan Qwen3.8 dalam model visi-bahasa dense
Qwen3.8-27B menghadirkan peningkatan Qwen3.8 dalam pemrograman, pekerjaan profesional, riset, dan tugas agen ke dalam model dense dengan 27 miliar parameter. Model ini menerima teks, gambar, dan video serta mengembalikan teks. Cakupan visual yang didokumentasikan meliputi diagram STEM, halaman dokumen, dan video berdurasi dalam hitungan jam. Ini merupakan checkpoint berbeda dari Qwen3.8-2.4T-A95B yang jauh lebih besar dan hanya menerima teks, sehingga kemampuan masukan serta kontrak mode berpikir keduanya harus tetap dipisahkan.
Qwen menekankan perencanaan otonom, penggunaan umpan balik lingkungan, dan integrasi dengan harness pengembangan. Untuk tugas agen, berikan tujuan, materi yang relevan, alat yang diizinkan, dan bukti yang akan menunjukkan penyelesaian. Model dapat mengusulkan dan merevisi tindakan menggunakan hasil yang dikembalikan; perangkat lunak yang terhubung menjalankan tindakan tersebut. Minta artefak akhir dan kondisi yang belum terselesaikan, alih-alih memperlakukan rencana sebagai hasil yang telah dieksekusi.
Ikhtisar model
Model 27B memiliki 64 lapisan model bahasa. Tata letak hibridanya mengelompokkan tiga lapisan Gated DeltaNet yang diikuti satu lapisan gated-attention, dengan jaringan feed-forward dense. Model ini dilatih dengan prediksi multi-token dan menyertakan encoder visi. Pilihan arsitektur ini menjelaskan model yang dirilis; hal itu tidak menyiratkan bahwa setiap penerapan memiliki penggunaan memori atau latensi yang identik.
Konteks native-nya adalah 262,144 token, dengan perluasan yang didokumentasikan ke 1,000,000. Teks, representasi visual, riwayat percakapan, proses berpikir, dan keluaran akhir berbagi anggaran urutan yang dikonfigurasi. Pembuatnya secara terpisah membahas edisi terkelola dengan fitur tambahan; fitur tersebut tidak boleh otomatis diberikan kepada checkpoint terbuka.
Menggunakan teks, gambar, dan video
Untuk tugas kode, berikan fungsi atau modul yang relevan, masukan yang gagal, dan perilaku yang diharapkan, lalu minta patch beserta asumsi dan pemeriksaan yang terdampak. Untuk diagram, pertahankan label dan berikan pertanyaan lengkap. Untuk dokumen, minta kolom bernama atau kesimpulan beserta referensi halaman. Untuk video, nyatakan kejadian yang menjadi perhatian dan pertahankan waktunya.
Contoh video dari pembuatnya secara bawaan menggunakan dua bingkai per detik dalam alur layanan yang didukungnya, dengan kontrol pengambilan sampel opsional. Ringkasan pemandangan umum dan kejadian singkat mungkin memerlukan pengambilan sampel berbeda. Panduan video panjang merekomendasikan perluasan anggaran pemroses video untuk mendukung pengambilan sampel berlaju lebih tinggi bagi materi berdurasi dalam hitungan jam, dengan contoh yang setara sekitar 224K token video. Ini memerlukan konfigurasi dan bersaing dengan konten konteks lain; hal itu bukan jaminan durasi klip universal.
Berpikir dan penalaran historis
Berpikir diaktifkan secara bawaan dan dapat dinonaktifkan per permintaan melalui kontrol enable_thinking dari pembuatnya. reasoning_effort mendukung xhigh, medium, dan low, dengan xhigh sebagai bawaan. Upaya yang lebih rendah dapat mempersingkat satu giliran, tetapi Qwen memperingatkan bahwa analisis yang tidak memadai dalam tugas agen dapat menyebabkan kegagalan dan pekerjaan berulang, sehingga meningkatkan total waktu penyelesaian.
preserve_thinking diaktifkan secara bawaan, mempertahankan blok penalaran dari pesan historis untuk kesinambungan. Menonaktifkannya hanya mempertahankan blok berpikir yang dihasilkan saat menangani pesan pengguna terbaru. Ini berbeda dari panduan Qwen yang lebih lama yang membuang penalaran historis sepenuhnya. Pisahkan penalaran dan konten akhir dalam antarmuka, dan pertahankan format percakapan yang tepat yang diharapkan checkpoint. Kontrol pembuatnya tidak menetapkan parameter mana yang disediakan aplikasi lain.
Panduan pembuatan keluaran
Untuk mode berpikir, Qwen merekomendasikan temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0, dan repetition penalty 1.0. Untuk respons langsung, pembuatnya masing-masing merekomendasikan 0.7, 0.8, 20, 0, 1.5, dan 1.0. Presence penalty yang lebih tinggi dapat mengurangi pengulangan, tetapi dapat mencampurkan bahasa atau sedikit menurunkan kualitas.
Dalam alur kerja satu juta token yang dikonfigurasi dan mendukung batas terpisah, pembuatnya merekomendasikan alokasi 262,144 token untuk penalaran dan 131,072 untuk respons akhir. Ini merupakan rekomendasi anggaran bersyarat, bukan batas atas keluaran tegas yang independen atau alokasi yang muat bersamaan di dalam konteks native.
Konteks sangat panjang dan batasan
Perluasan yang didokumentasikan menggunakan YaRN dengan pengaturan posisi interleaved milik model sendiri. Faktor empat menargetkan alur kerja satu juta token; untuk beban kerja sekitar 524,288 token, pembuatnya menyarankan faktor dua. Penskalaan statis dapat memengaruhi kualitas teks yang lebih pendek, sehingga Qwen menyarankan pengaktifannya ketika konteks lebih panjang diperlukan. Jangan menyalin faktor ekstrapolasi edisi Qwen-VL lain tanpa resepnya sendiri.
Susun masukan panjang menurut dokumen, halaman, atau pengenal kode dan minta hasil yang dapat diperiksa. Verifikasi perhitungan, label visual kecil, dan patch yang dihasilkan terhadap sumber. Konteks panjang, penalaran yang dipertahankan, dan anggaran video yang lebih besar membantu membawa lebih banyak bukti sepanjang tugas; semuanya tidak dengan sendirinya membuktikan ingatan lengkap, penalaran yang benar, atau tindakan eksternal yang telah selesai.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen/qwen3.8-27b | 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 $0.00085 / 1K token Keluaran · Token keluaran $0.0051 / 1K token Masukan · Pembacaan cache $0.00017 / 1K token Masukan · Penulisan cache $0.0010625 / 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 $0.00085 / 1K token Keluaran · Token keluaran $0.0051 / 1K token Masukan · Pembacaan cache $0.00017 / 1K token Masukan · Penulisan cache $0.0010625 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.8-27b", "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/qwen3.8-27b',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/qwen3.8-27b',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/qwen3.8-27b
Gunakan jalur metode yang ditampilkan di atas.
qwen/qwen3.8-27bQwen3.8-27B adalah model visi-bahasa dense Qwen untuk teks, gambar, dan video, dengan keluaran teks. Model ini menggabungkan pemrograman dan tugas agen yang mencakup banyak langkah dengan mode berpikir yang dapat dipilih, pemeliharaan penalaran, dan konteks native 262,144 token, yang dapat diperluas menjadi satu juta melalui konfigurasi.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Keunggulan Qwen3.8 dalam model visi-bahasa dense
Qwen3.8-27B menghadirkan peningkatan Qwen3.8 dalam pemrograman, pekerjaan profesional, riset, dan tugas agen ke dalam model dense dengan 27 miliar parameter. Model ini menerima teks, gambar, dan video serta mengembalikan teks. Cakupan visual yang didokumentasikan meliputi diagram STEM, halaman dokumen, dan video berdurasi dalam hitungan jam. Ini merupakan checkpoint berbeda dari Qwen3.8-2.4T-A95B yang jauh lebih besar dan hanya menerima teks, sehingga kemampuan masukan serta kontrak mode berpikir keduanya harus tetap dipisahkan.
Qwen menekankan perencanaan otonom, penggunaan umpan balik lingkungan, dan integrasi dengan harness pengembangan. Untuk tugas agen, berikan tujuan, materi yang relevan, alat yang diizinkan, dan bukti yang akan menunjukkan penyelesaian. Model dapat mengusulkan dan merevisi tindakan menggunakan hasil yang dikembalikan; perangkat lunak yang terhubung menjalankan tindakan tersebut. Minta artefak akhir dan kondisi yang belum terselesaikan, alih-alih memperlakukan rencana sebagai hasil yang telah dieksekusi.
Ikhtisar model
Model 27B memiliki 64 lapisan model bahasa. Tata letak hibridanya mengelompokkan tiga lapisan Gated DeltaNet yang diikuti satu lapisan gated-attention, dengan jaringan feed-forward dense. Model ini dilatih dengan prediksi multi-token dan menyertakan encoder visi. Pilihan arsitektur ini menjelaskan model yang dirilis; hal itu tidak menyiratkan bahwa setiap penerapan memiliki penggunaan memori atau latensi yang identik.
Konteks native-nya adalah 262,144 token, dengan perluasan yang didokumentasikan ke 1,000,000. Teks, representasi visual, riwayat percakapan, proses berpikir, dan keluaran akhir berbagi anggaran urutan yang dikonfigurasi. Pembuatnya secara terpisah membahas edisi terkelola dengan fitur tambahan; fitur tersebut tidak boleh otomatis diberikan kepada checkpoint terbuka.
Menggunakan teks, gambar, dan video
Untuk tugas kode, berikan fungsi atau modul yang relevan, masukan yang gagal, dan perilaku yang diharapkan, lalu minta patch beserta asumsi dan pemeriksaan yang terdampak. Untuk diagram, pertahankan label dan berikan pertanyaan lengkap. Untuk dokumen, minta kolom bernama atau kesimpulan beserta referensi halaman. Untuk video, nyatakan kejadian yang menjadi perhatian dan pertahankan waktunya.
Contoh video dari pembuatnya secara bawaan menggunakan dua bingkai per detik dalam alur layanan yang didukungnya, dengan kontrol pengambilan sampel opsional. Ringkasan pemandangan umum dan kejadian singkat mungkin memerlukan pengambilan sampel berbeda. Panduan video panjang merekomendasikan perluasan anggaran pemroses video untuk mendukung pengambilan sampel berlaju lebih tinggi bagi materi berdurasi dalam hitungan jam, dengan contoh yang setara sekitar 224K token video. Ini memerlukan konfigurasi dan bersaing dengan konten konteks lain; hal itu bukan jaminan durasi klip universal.
Berpikir dan penalaran historis
Berpikir diaktifkan secara bawaan dan dapat dinonaktifkan per permintaan melalui kontrol enable_thinking dari pembuatnya. reasoning_effort mendukung xhigh, medium, dan low, dengan xhigh sebagai bawaan. Upaya yang lebih rendah dapat mempersingkat satu giliran, tetapi Qwen memperingatkan bahwa analisis yang tidak memadai dalam tugas agen dapat menyebabkan kegagalan dan pekerjaan berulang, sehingga meningkatkan total waktu penyelesaian.
preserve_thinking diaktifkan secara bawaan, mempertahankan blok penalaran dari pesan historis untuk kesinambungan. Menonaktifkannya hanya mempertahankan blok berpikir yang dihasilkan saat menangani pesan pengguna terbaru. Ini berbeda dari panduan Qwen yang lebih lama yang membuang penalaran historis sepenuhnya. Pisahkan penalaran dan konten akhir dalam antarmuka, dan pertahankan format percakapan yang tepat yang diharapkan checkpoint. Kontrol pembuatnya tidak menetapkan parameter mana yang disediakan aplikasi lain.
Panduan pembuatan keluaran
Untuk mode berpikir, Qwen merekomendasikan temperature 1.0, top_p 0.95, top_k 20, min_p 0, presence penalty 0, dan repetition penalty 1.0. Untuk respons langsung, pembuatnya masing-masing merekomendasikan 0.7, 0.8, 20, 0, 1.5, dan 1.0. Presence penalty yang lebih tinggi dapat mengurangi pengulangan, tetapi dapat mencampurkan bahasa atau sedikit menurunkan kualitas.
Dalam alur kerja satu juta token yang dikonfigurasi dan mendukung batas terpisah, pembuatnya merekomendasikan alokasi 262,144 token untuk penalaran dan 131,072 untuk respons akhir. Ini merupakan rekomendasi anggaran bersyarat, bukan batas atas keluaran tegas yang independen atau alokasi yang muat bersamaan di dalam konteks native.
Konteks sangat panjang dan batasan
Perluasan yang didokumentasikan menggunakan YaRN dengan pengaturan posisi interleaved milik model sendiri. Faktor empat menargetkan alur kerja satu juta token; untuk beban kerja sekitar 524,288 token, pembuatnya menyarankan faktor dua. Penskalaan statis dapat memengaruhi kualitas teks yang lebih pendek, sehingga Qwen menyarankan pengaktifannya ketika konteks lebih panjang diperlukan. Jangan menyalin faktor ekstrapolasi edisi Qwen-VL lain tanpa resepnya sendiri.
Susun masukan panjang menurut dokumen, halaman, atau pengenal kode dan minta hasil yang dapat diperiksa. Verifikasi perhitungan, label visual kecil, dan patch yang dihasilkan terhadap sumber. Konteks panjang, penalaran yang dipertahankan, dan anggaran video yang lebih besar membantu membawa lebih banyak bukti sepanjang tugas; semuanya tidak dengan sendirinya membuktikan ingatan lengkap, penalaran yang benar, atau tindakan eksternal yang telah selesai.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen/qwen3.8-27b | 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 $0.00085 / 1K token Keluaran · Token keluaran $0.0051 / 1K token Masukan · Pembacaan cache $0.00017 / 1K token Masukan · Penulisan cache $0.0010625 / 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 $0.00085 / 1K token Keluaran · Token keluaran $0.0051 / 1K token Masukan · Pembacaan cache $0.00017 / 1K token Masukan · Penulisan cache $0.0010625 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "qwen/qwen3.8-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.8-27b', '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/qwen3.8-27b', '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/qwen3.8-27b
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Analyze a circuit described in text\n\nA written circuit description gives two 6-ohm resistors connected in parallel across an ideal 12-volt source. Assume ideal wires and constant resistance. Derive the equivalent resistance, total current and current through each branch. Show the formulas and verify that branch currents add to the total. No circuit image or execution tool is provided.A short derivation with units, three requested quantities and a current-sum check.Equivalent resistance is 3 ohms and the two equal branch currents sum to the derived total current.