Sorotan Qwen3-Next: instruksi teks langsung
Qwen3-Next-80B-A3B-Instruct adalah edisi teks berbasis instruksi tanpa pemikiran dari Qwen3-Next. Model ini menerima teks dan mengembalikan teks, termasuk penjelasan, usulan kode, dan artefak dokumen yang diminta. Model ini tidak menghasilkan blok pemikiran eksplisit. Bedakan dari edisi Thinking dan Qwen3-Coder-Next yang dikhususkan untuk pemrograman; arsitektur keluarga yang sama tidak membuat kontrak responsnya dapat saling menggantikan.
Keluarga ini memperkenalkan atensi hibrida yang menggabungkan Gated DeltaNet dan atensi berpintu, pakar dengan sparsitas tinggi, optimasi stabilitas termasuk normalisasi lapisan berpusat nol dan dengan peluruhan bobot, serta prediksi beberapa token. Perubahan tersebut menangani representasi dan pelatihan urutan panjang. Efisiensi inferensinya bergantung pada implementasi, sehingga angka arsitektur sebaiknya tidak berubah menjadi jaminan latensi atau throughput tetap.
Ikhtisar model
Checkpoint ini memiliki total 80 miliar parameter dan mengaktifkan tiga miliar. Model ini memiliki 48 lapisan dalam pola pakar berulang berupa tiga DeltaNet untuk satu atensi berpintu. Pembuat mencantumkan 512 pakar, sepuluh pakar yang diaktifkan, dan satu pakar bersama, dengan prapelatihan pada 15 triliun token yang diikuti pascapelatihan. Parameter yang diaktifkan bukan ukuran checkpoint lengkap.
Konteks bawaannya adalah 262.144 token, dengan perluasan yang didokumentasikan hingga 1.010.000. Contoh penerapan pembuat memungkinkan konteks lebih kecil, seperti 32.768, ketika batasan sumber daya membuat pengaturan yang lebih besar tidak berfungsi. Teks, riwayat percakapan, observasi alat, dan konten yang dihasilkan berbagi batas urutan yang dikonfigurasi. Perluasan merupakan jalur konfigurasi tambahan, bukan masukan tanpa batas secara bawaan.
Menggunakan antarmuka berbasis instruksi
Model ini hanya mendukung mode berbasis instruksi tanpa pemikiran. Model ini dapat menjelaskan algoritma, menunjukkan perhitungan, atau memberikan alasan untuk kesimpulan dalam teks biasa tanpa menghasilkan blok pemikiran khusus. Minta format dan batasan artefak: fungsi lengkap, laporan ringkas, tabel bukti, atau jawaban dengan langkah pendukung. Permintaan penjelasan panjang tidak mengubahnya menjadi checkpoint Thinking yang dinamai secara terpisah.
Untuk tugas dokumen, pertahankan pengenal bagian dan tetapkan pertanyaan yang harus dijawab laporan. Untuk kode, berikan fungsi atau modul yang relevan, batasan masukan, dan keluaran yang diharapkan. Untuk matematika, berikan pernyataan lengkap dan minta hasil akhir dengan batas yang jelas. Bandingkan perhitungan, kode, atau penjelasan yang dikembalikan dengan kondisi yang diberikan dan hasil sebenarnya.
Implementasi dan alat
Pembuat mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent untuk templat dan penguraian, dengan alat yang dikonfigurasi atau terhubung melalui MCP. Alur kerja terhubung dapat menyediakan penelusuran, inspeksi, atau eksekusi yang diizinkan, dan mengembalikan observasi sebenarnya. Nyatakan alat, tindakan yang diizinkan, dan kondisi penyelesaian yang terlihat, lalu minta laporan akhir membedakan usulan dari hasil sebenarnya yang dikembalikan.
Prediksi beberapa token merupakan bagian dari pelatihan, tetapi penggunaannya dalam inferensi bergantung pada implementasi dan tidak tersedia secara umum pada setiap alur kerja ringan. Templat atau fitur arsitektur itu sendiri tidak membuktikan akses ke sumber terkini, berkas, atau lingkungan kode. Pertahankan model yang persis dan format percakapan yang digunakan antarmuka pilihan.
Teks sangat panjang
Pembuat memvalidasi konteks sekitar satu juta token dengan YaRN dan memberikan prosedur faktor empat berdasarkan 262.144 posisi bawaan. Untuk beban kerja 524.288 token, pembuat menyarankan faktor dua. Penskalaan statis dapat menurunkan kinerja pada teks lebih pendek, sehingga konfigurasi sebaiknya mengikuti kebutuhan sebenarnya untuk masukan lebih panjang.
Susun materi panjang berdasarkan dokumen, jalur kode, atau bagian, dan hapus pengulangan yang tidak terkait. Minta jawaban mengidentifikasi bagian teks atau kondisi yang mendukungnya. Sisakan ruang untuk respons alih-alih menganggap angka konteks terbesar sebagai ingatan lengkap atas setiap detail yang diberikan. Angka perluasan 1.010.000 yang diterbitkan dan validasi sekitar satu juta tetap dibatasi pada alur kerja konteks panjang pembuat.
Panduan generasi
Best Practices merekomendasikan temperature 0,7, top_p 0,8, top_k 20, dan min_p 0. Jika didukung, penalti kehadiran antara nol dan dua dapat mengurangi teks berulang, tetapi nilai lebih tinggi dapat mencampur bahasa atau sedikit menurunkan kualitas. Pembuat merekomendasikan alokasi keluaran 16.384 token untuk sebagian besar kueri. Ini merupakan anggaran generasi yang direkomendasikan, bukan maksimum ketat independen; alokasi ini sebaiknya tidak mewarisi alokasi lebih panjang dari edisi Thinking.
Tentukan bentuk hasil secara eksplisit, seperti pembatas matematika atau bidang jawaban. Pastikan artefak akhir mudah diperiksa dan verifikasi perhitungan, kutipan, atau kodenya berdasarkan sumber. Edisi yang hanya menerima teks ini tidak menerima gambar, audio, atau video sebagai masukannya sendiri, sehingga materi tersebut memerlukan representasi terpisah yang sesuai sebelum dapat mendukung tugas.
Hasil praktis
Keluaran yang berguna adalah artefak teks konkret yang didasarkan pada kondisi yang diberikan: penjelasan dokumen, usulan kode, atau jawaban langsung dengan detail pendukung yang diperlukan. Konteks panjang dan pemanggilan alat dapat membantu membawa lebih banyak bukti sepanjang alur kerja, sedangkan kontrak tanpa pemikiran memperjelas gaya keluaran edisi yang persis ini. Periksa hasil dalam lingkungan tugas sebenarnya alih-alih menyimpulkan kebenaran dari panjangnya atau kata-katanya yang meyakinkan.
", "aboutText": "Sorotan Qwen3-Next: instruksi teks langsung\n\nQwen3-Next-80B-A3B-Instruct adalah edisi teks berbasis instruksi tanpa pemikiran dari Qwen3-Next. Model ini menerima teks dan mengembalikan teks, termasuk penjelasan, usulan kode, dan artefak dokumen yang diminta. Model ini tidak menghasilkan blok pemikiran eksplisit. Bedakan dari edisi Thinking dan Qwen3-Coder-Next yang dikhususkan untuk pemrograman; arsitektur keluarga yang sama tidak membuat kontrak responsnya dapat saling menggantikan.\n\nKeluarga ini memperkenalkan atensi hibrida yang menggabungkan Gated DeltaNet dan atensi berpintu, pakar dengan sparsitas tinggi, optimasi stabilitas termasuk normalisasi lapisan berpusat nol dan dengan peluruhan bobot, serta prediksi beberapa token. Perubahan tersebut menangani representasi dan pelatihan urutan panjang. Efisiensi inferensinya bergantung pada implementasi, sehingga angka arsitektur sebaiknya tidak berubah menjadi jaminan latensi atau throughput tetap.\n\nIkhtisar model\n\nCheckpoint ini memiliki total 80 miliar parameter dan mengaktifkan tiga miliar. Model ini memiliki 48 lapisan dalam pola pakar berulang berupa tiga DeltaNet untuk satu atensi berpintu. Pembuat mencantumkan 512 pakar, sepuluh pakar yang diaktifkan, dan satu pakar bersama, dengan prapelatihan pada 15 triliun token yang diikuti pascapelatihan. Parameter yang diaktifkan bukan ukuran checkpoint lengkap.\n\nKonteks bawaannya adalah 262.144 token, dengan perluasan yang didokumentasikan hingga 1.010.000. Contoh penerapan pembuat memungkinkan konteks lebih kecil, seperti 32.768, ketika batasan sumber daya membuat pengaturan yang lebih besar tidak berfungsi. Teks, riwayat percakapan, observasi alat, dan konten yang dihasilkan berbagi batas urutan yang dikonfigurasi. Perluasan merupakan jalur konfigurasi tambahan, bukan masukan tanpa batas secara bawaan.\n\nMenggunakan antarmuka berbasis instruksi\n\nModel ini hanya mendukung mode berbasis instruksi tanpa pemikiran. Model ini dapat menjelaskan algoritma, menunjukkan perhitungan, atau memberikan alasan untuk kesimpulan dalam teks biasa tanpa menghasilkan blok pemikiran khusus. Minta format dan batasan artefak: fungsi lengkap, laporan ringkas, tabel bukti, atau jawaban dengan langkah pendukung. Permintaan penjelasan panjang tidak mengubahnya menjadi checkpoint Thinking yang dinamai secara terpisah.\n\nUntuk tugas dokumen, pertahankan pengenal bagian dan tetapkan pertanyaan yang harus dijawab laporan. Untuk kode, berikan fungsi atau modul yang relevan, batasan masukan, dan keluaran yang diharapkan. Untuk matematika, berikan pernyataan lengkap dan minta hasil akhir dengan batas yang jelas. Bandingkan perhitungan, kode, atau penjelasan yang dikembalikan dengan kondisi yang diberikan dan hasil sebenarnya.\n\nImplementasi dan alat\n\nPembuat mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent untuk templat dan penguraian, dengan alat yang dikonfigurasi atau terhubung melalui MCP. Alur kerja terhubung dapat menyediakan penelusuran, inspeksi, atau eksekusi yang diizinkan, dan mengembalikan observasi sebenarnya. Nyatakan alat, tindakan yang diizinkan, dan kondisi penyelesaian yang terlihat, lalu minta laporan akhir membedakan usulan dari hasil sebenarnya yang dikembalikan.\n\nPrediksi beberapa token merupakan bagian dari pelatihan, tetapi penggunaannya dalam inferensi bergantung pada implementasi dan tidak tersedia secara umum pada setiap alur kerja ringan. Templat atau fitur arsitektur itu sendiri tidak membuktikan akses ke sumber terkini, berkas, atau lingkungan kode. Pertahankan model yang persis dan format percakapan yang digunakan antarmuka pilihan.\n\nTeks sangat panjang\n\nPembuat memvalidasi konteks sekitar satu juta token dengan YaRN dan memberikan prosedur faktor empat berdasarkan 262.144 posisi bawaan. Untuk beban kerja 524.288 token, pembuat menyarankan faktor dua. Penskalaan statis dapat menurunkan kinerja pada teks lebih pendek, sehingga konfigurasi sebaiknya mengikuti kebutuhan sebenarnya untuk masukan lebih panjang.\n\nSusun materi panjang berdasarkan dokumen, jalur kode, atau bagian, dan hapus pengulangan yang tidak terkait. Minta jawaban mengidentifikasi bagian teks atau kondisi yang mendukungnya. Sisakan ruang untuk respons alih-alih menganggap angka konteks terbesar sebagai ingatan lengkap atas setiap detail yang diberikan. Angka perluasan 1.010.000 yang diterbitkan dan validasi sekitar satu juta tetap dibatasi pada alur kerja konteks panjang pembuat.\n\nPanduan generasi\n\nBest Practices merekomendasikan temperature 0,7, top_p 0,8, top_k 20, dan min_p 0. Jika didukung, penalti kehadiran antara nol dan dua dapat mengurangi teks berulang, tetapi nilai lebih tinggi dapat mencampur bahasa atau sedikit menurunkan kualitas. Pembuat merekomendasikan alokasi keluaran 16.384 token untuk sebagian besar kueri. Ini merupakan anggaran generasi yang direkomendasikan, bukan maksimum ketat independen; alokasi ini sebaiknya tidak mewarisi alokasi lebih panjang dari edisi Thinking.\n\nTentukan bentuk hasil secara eksplisit, seperti pembatas matematika atau bidang jawaban. Pastikan artefak akhir mudah diperiksa dan verifikasi perhitungan, kutipan, atau kodenya berdasarkan sumber. Edisi yang hanya menerima teks ini tidak menerima gambar, audio, atau video sebagai masukannya sendiri, sehingga materi tersebut memerlukan representasi terpisah yang sesuai sebelum dapat mendukung tugas.\n\nHasil praktis\n\nKeluaran yang berguna adalah artefak teks konkret yang didasarkan pada kondisi yang diberikan: penjelasan dokumen, usulan kode, atau jawaban langsung dengan detail pendukung yang diperlukan. Konteks panjang dan pemanggilan alat dapat membantu membawa lebih banyak bukti sepanjang alur kerja, sedangkan kontrak tanpa pemikiran memperjelas gaya keluaran edisi yang persis ini. Periksa hasil dalam lingkungan tugas sebenarnya alih-alih menyimpulkan kebenaran dari panjangnya atau kata-katanya yang meyakinkan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Explain a section-specific decision\n\nAnswer only from these procedure sections. Section 2: standard purchases need a manager's approval. Section 4: emergency safety purchases may proceed first, but must be reported to that manager within one day. Case: a broken emergency exit light needs replacement today. Give a concise recommendation with section references and identify the follow-up obligation. Do not invent an approval already granted.A direct recommendation with supporting sections and the one-day reporting obligation.The emergency exception retains its reporting condition and is not generalised to all purchases.qwen/qwen3-next-80b-a3b-instructQwen3-Next-80B-A3B-Instruct adalah edisi teks tanpa pemikiran Qwen dengan total 80 miliar parameter dan 3 miliar parameter yang diaktifkan. Model ini menggabungkan atensi hibrida, pakar sparse, dan pemanggilan alat dengan konteks bawaan 262.144 token, yang dapat diperluas hingga 1.010.000 melalui konfigurasi.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Sorotan Qwen3-Next: instruksi teks langsung
Qwen3-Next-80B-A3B-Instruct adalah edisi teks berbasis instruksi tanpa pemikiran dari Qwen3-Next. Model ini menerima teks dan mengembalikan teks, termasuk penjelasan, usulan kode, dan artefak dokumen yang diminta. Model ini tidak menghasilkan blok pemikiran eksplisit. Bedakan dari edisi Thinking dan Qwen3-Coder-Next yang dikhususkan untuk pemrograman; arsitektur keluarga yang sama tidak membuat kontrak responsnya dapat saling menggantikan.
Keluarga ini memperkenalkan atensi hibrida yang menggabungkan Gated DeltaNet dan atensi berpintu, pakar dengan sparsitas tinggi, optimasi stabilitas termasuk normalisasi lapisan berpusat nol dan dengan peluruhan bobot, serta prediksi beberapa token. Perubahan tersebut menangani representasi dan pelatihan urutan panjang. Efisiensi inferensinya bergantung pada implementasi, sehingga angka arsitektur sebaiknya tidak berubah menjadi jaminan latensi atau throughput tetap.
Ikhtisar model
Checkpoint ini memiliki total 80 miliar parameter dan mengaktifkan tiga miliar. Model ini memiliki 48 lapisan dalam pola pakar berulang berupa tiga DeltaNet untuk satu atensi berpintu. Pembuat mencantumkan 512 pakar, sepuluh pakar yang diaktifkan, dan satu pakar bersama, dengan prapelatihan pada 15 triliun token yang diikuti pascapelatihan. Parameter yang diaktifkan bukan ukuran checkpoint lengkap.
Konteks bawaannya adalah 262.144 token, dengan perluasan yang didokumentasikan hingga 1.010.000. Contoh penerapan pembuat memungkinkan konteks lebih kecil, seperti 32.768, ketika batasan sumber daya membuat pengaturan yang lebih besar tidak berfungsi. Teks, riwayat percakapan, observasi alat, dan konten yang dihasilkan berbagi batas urutan yang dikonfigurasi. Perluasan merupakan jalur konfigurasi tambahan, bukan masukan tanpa batas secara bawaan.
Menggunakan antarmuka berbasis instruksi
Model ini hanya mendukung mode berbasis instruksi tanpa pemikiran. Model ini dapat menjelaskan algoritma, menunjukkan perhitungan, atau memberikan alasan untuk kesimpulan dalam teks biasa tanpa menghasilkan blok pemikiran khusus. Minta format dan batasan artefak: fungsi lengkap, laporan ringkas, tabel bukti, atau jawaban dengan langkah pendukung. Permintaan penjelasan panjang tidak mengubahnya menjadi checkpoint Thinking yang dinamai secara terpisah.
Untuk tugas dokumen, pertahankan pengenal bagian dan tetapkan pertanyaan yang harus dijawab laporan. Untuk kode, berikan fungsi atau modul yang relevan, batasan masukan, dan keluaran yang diharapkan. Untuk matematika, berikan pernyataan lengkap dan minta hasil akhir dengan batas yang jelas. Bandingkan perhitungan, kode, atau penjelasan yang dikembalikan dengan kondisi yang diberikan dan hasil sebenarnya.
Implementasi dan alat
Pembuat mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent untuk templat dan penguraian, dengan alat yang dikonfigurasi atau terhubung melalui MCP. Alur kerja terhubung dapat menyediakan penelusuran, inspeksi, atau eksekusi yang diizinkan, dan mengembalikan observasi sebenarnya. Nyatakan alat, tindakan yang diizinkan, dan kondisi penyelesaian yang terlihat, lalu minta laporan akhir membedakan usulan dari hasil sebenarnya yang dikembalikan.
Prediksi beberapa token merupakan bagian dari pelatihan, tetapi penggunaannya dalam inferensi bergantung pada implementasi dan tidak tersedia secara umum pada setiap alur kerja ringan. Templat atau fitur arsitektur itu sendiri tidak membuktikan akses ke sumber terkini, berkas, atau lingkungan kode. Pertahankan model yang persis dan format percakapan yang digunakan antarmuka pilihan.
Teks sangat panjang
Pembuat memvalidasi konteks sekitar satu juta token dengan YaRN dan memberikan prosedur faktor empat berdasarkan 262.144 posisi bawaan. Untuk beban kerja 524.288 token, pembuat menyarankan faktor dua. Penskalaan statis dapat menurunkan kinerja pada teks lebih pendek, sehingga konfigurasi sebaiknya mengikuti kebutuhan sebenarnya untuk masukan lebih panjang.
Susun materi panjang berdasarkan dokumen, jalur kode, atau bagian, dan hapus pengulangan yang tidak terkait. Minta jawaban mengidentifikasi bagian teks atau kondisi yang mendukungnya. Sisakan ruang untuk respons alih-alih menganggap angka konteks terbesar sebagai ingatan lengkap atas setiap detail yang diberikan. Angka perluasan 1.010.000 yang diterbitkan dan validasi sekitar satu juta tetap dibatasi pada alur kerja konteks panjang pembuat.
Panduan generasi
Best Practices merekomendasikan temperature 0,7, top_p 0,8, top_k 20, dan min_p 0. Jika didukung, penalti kehadiran antara nol dan dua dapat mengurangi teks berulang, tetapi nilai lebih tinggi dapat mencampur bahasa atau sedikit menurunkan kualitas. Pembuat merekomendasikan alokasi keluaran 16.384 token untuk sebagian besar kueri. Ini merupakan anggaran generasi yang direkomendasikan, bukan maksimum ketat independen; alokasi ini sebaiknya tidak mewarisi alokasi lebih panjang dari edisi Thinking.
Tentukan bentuk hasil secara eksplisit, seperti pembatas matematika atau bidang jawaban. Pastikan artefak akhir mudah diperiksa dan verifikasi perhitungan, kutipan, atau kodenya berdasarkan sumber. Edisi yang hanya menerima teks ini tidak menerima gambar, audio, atau video sebagai masukannya sendiri, sehingga materi tersebut memerlukan representasi terpisah yang sesuai sebelum dapat mendukung tugas.
Hasil praktis
Keluaran yang berguna adalah artefak teks konkret yang didasarkan pada kondisi yang diberikan: penjelasan dokumen, usulan kode, atau jawaban langsung dengan detail pendukung yang diperlukan. Konteks panjang dan pemanggilan alat dapat membantu membawa lebih banyak bukti sepanjang alur kerja, sedangkan kontrak tanpa pemikiran memperjelas gaya keluaran edisi yang persis ini. Periksa hasil dalam lingkungan tugas sebenarnya alih-alih menyimpulkan kebenaran dari panjangnya atau kata-katanya yang meyakinkan.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen/qwen3-next-80b-a3b-instruct | 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 $0.000286 / 1K token Keluaran · Token keluaran $0.0022 / 1K token Masukan · Pembacaan cache $0.00014 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.000286 / 1K token Keluaran · Token keluaran $0.0022 / 1K token Masukan · Pembacaan cache $0.00014 / 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-next-80b-a3b-instruct", "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-next-80b-a3b-instruct',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-next-80b-a3b-instruct',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-next-80b-a3b-instruct
Gunakan jalur metode yang ditampilkan di atas.
qwen/qwen3-next-80b-a3b-instructQwen3-Next-80B-A3B-Instruct adalah edisi teks tanpa pemikiran Qwen dengan total 80 miliar parameter dan 3 miliar parameter yang diaktifkan. Model ini menggabungkan atensi hibrida, pakar sparse, dan pemanggilan alat dengan konteks bawaan 262.144 token, yang dapat diperluas hingga 1.010.000 melalui konfigurasi.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Sorotan Qwen3-Next: instruksi teks langsung
Qwen3-Next-80B-A3B-Instruct adalah edisi teks berbasis instruksi tanpa pemikiran dari Qwen3-Next. Model ini menerima teks dan mengembalikan teks, termasuk penjelasan, usulan kode, dan artefak dokumen yang diminta. Model ini tidak menghasilkan blok pemikiran eksplisit. Bedakan dari edisi Thinking dan Qwen3-Coder-Next yang dikhususkan untuk pemrograman; arsitektur keluarga yang sama tidak membuat kontrak responsnya dapat saling menggantikan.
Keluarga ini memperkenalkan atensi hibrida yang menggabungkan Gated DeltaNet dan atensi berpintu, pakar dengan sparsitas tinggi, optimasi stabilitas termasuk normalisasi lapisan berpusat nol dan dengan peluruhan bobot, serta prediksi beberapa token. Perubahan tersebut menangani representasi dan pelatihan urutan panjang. Efisiensi inferensinya bergantung pada implementasi, sehingga angka arsitektur sebaiknya tidak berubah menjadi jaminan latensi atau throughput tetap.
Ikhtisar model
Checkpoint ini memiliki total 80 miliar parameter dan mengaktifkan tiga miliar. Model ini memiliki 48 lapisan dalam pola pakar berulang berupa tiga DeltaNet untuk satu atensi berpintu. Pembuat mencantumkan 512 pakar, sepuluh pakar yang diaktifkan, dan satu pakar bersama, dengan prapelatihan pada 15 triliun token yang diikuti pascapelatihan. Parameter yang diaktifkan bukan ukuran checkpoint lengkap.
Konteks bawaannya adalah 262.144 token, dengan perluasan yang didokumentasikan hingga 1.010.000. Contoh penerapan pembuat memungkinkan konteks lebih kecil, seperti 32.768, ketika batasan sumber daya membuat pengaturan yang lebih besar tidak berfungsi. Teks, riwayat percakapan, observasi alat, dan konten yang dihasilkan berbagi batas urutan yang dikonfigurasi. Perluasan merupakan jalur konfigurasi tambahan, bukan masukan tanpa batas secara bawaan.
Menggunakan antarmuka berbasis instruksi
Model ini hanya mendukung mode berbasis instruksi tanpa pemikiran. Model ini dapat menjelaskan algoritma, menunjukkan perhitungan, atau memberikan alasan untuk kesimpulan dalam teks biasa tanpa menghasilkan blok pemikiran khusus. Minta format dan batasan artefak: fungsi lengkap, laporan ringkas, tabel bukti, atau jawaban dengan langkah pendukung. Permintaan penjelasan panjang tidak mengubahnya menjadi checkpoint Thinking yang dinamai secara terpisah.
Untuk tugas dokumen, pertahankan pengenal bagian dan tetapkan pertanyaan yang harus dijawab laporan. Untuk kode, berikan fungsi atau modul yang relevan, batasan masukan, dan keluaran yang diharapkan. Untuk matematika, berikan pernyataan lengkap dan minta hasil akhir dengan batas yang jelas. Bandingkan perhitungan, kode, atau penjelasan yang dikembalikan dengan kondisi yang diberikan dan hasil sebenarnya.
Implementasi dan alat
Pembuat mendokumentasikan pemanggilan alat dan merekomendasikan Qwen-Agent untuk templat dan penguraian, dengan alat yang dikonfigurasi atau terhubung melalui MCP. Alur kerja terhubung dapat menyediakan penelusuran, inspeksi, atau eksekusi yang diizinkan, dan mengembalikan observasi sebenarnya. Nyatakan alat, tindakan yang diizinkan, dan kondisi penyelesaian yang terlihat, lalu minta laporan akhir membedakan usulan dari hasil sebenarnya yang dikembalikan.
Prediksi beberapa token merupakan bagian dari pelatihan, tetapi penggunaannya dalam inferensi bergantung pada implementasi dan tidak tersedia secara umum pada setiap alur kerja ringan. Templat atau fitur arsitektur itu sendiri tidak membuktikan akses ke sumber terkini, berkas, atau lingkungan kode. Pertahankan model yang persis dan format percakapan yang digunakan antarmuka pilihan.
Teks sangat panjang
Pembuat memvalidasi konteks sekitar satu juta token dengan YaRN dan memberikan prosedur faktor empat berdasarkan 262.144 posisi bawaan. Untuk beban kerja 524.288 token, pembuat menyarankan faktor dua. Penskalaan statis dapat menurunkan kinerja pada teks lebih pendek, sehingga konfigurasi sebaiknya mengikuti kebutuhan sebenarnya untuk masukan lebih panjang.
Susun materi panjang berdasarkan dokumen, jalur kode, atau bagian, dan hapus pengulangan yang tidak terkait. Minta jawaban mengidentifikasi bagian teks atau kondisi yang mendukungnya. Sisakan ruang untuk respons alih-alih menganggap angka konteks terbesar sebagai ingatan lengkap atas setiap detail yang diberikan. Angka perluasan 1.010.000 yang diterbitkan dan validasi sekitar satu juta tetap dibatasi pada alur kerja konteks panjang pembuat.
Panduan generasi
Best Practices merekomendasikan temperature 0,7, top_p 0,8, top_k 20, dan min_p 0. Jika didukung, penalti kehadiran antara nol dan dua dapat mengurangi teks berulang, tetapi nilai lebih tinggi dapat mencampur bahasa atau sedikit menurunkan kualitas. Pembuat merekomendasikan alokasi keluaran 16.384 token untuk sebagian besar kueri. Ini merupakan anggaran generasi yang direkomendasikan, bukan maksimum ketat independen; alokasi ini sebaiknya tidak mewarisi alokasi lebih panjang dari edisi Thinking.
Tentukan bentuk hasil secara eksplisit, seperti pembatas matematika atau bidang jawaban. Pastikan artefak akhir mudah diperiksa dan verifikasi perhitungan, kutipan, atau kodenya berdasarkan sumber. Edisi yang hanya menerima teks ini tidak menerima gambar, audio, atau video sebagai masukannya sendiri, sehingga materi tersebut memerlukan representasi terpisah yang sesuai sebelum dapat mendukung tugas.
Hasil praktis
Keluaran yang berguna adalah artefak teks konkret yang didasarkan pada kondisi yang diberikan: penjelasan dokumen, usulan kode, atau jawaban langsung dengan detail pendukung yang diperlukan. Konteks panjang dan pemanggilan alat dapat membantu membawa lebih banyak bukti sepanjang alur kerja, sedangkan kontrak tanpa pemikiran memperjelas gaya keluaran edisi yang persis ini. Periksa hasil dalam lingkungan tugas sebenarnya alih-alih menyimpulkan kebenaran dari panjangnya atau kata-katanya yang meyakinkan.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen/qwen3-next-80b-a3b-instruct | 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 $0.000286 / 1K token Keluaran · Token keluaran $0.0022 / 1K token Masukan · Pembacaan cache $0.00014 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.000286 / 1K token Keluaran · Token keluaran $0.0022 / 1K token Masukan · Pembacaan cache $0.00014 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "qwen/qwen3-next-80b-a3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-next-80b-a3b-instruct', '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-next-80b-a3b-instruct', '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-next-80b-a3b-instruct
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Explain a section-specific decision\n\nAnswer only from these procedure sections. Section 2: standard purchases need a manager's approval. Section 4: emergency safety purchases may proceed first, but must be reported to that manager within one day. Case: a broken emergency exit light needs replacement today. Give a concise recommendation with section references and identify the follow-up obligation. Do not invent an approval already granted.A direct recommendation with supporting sections and the one-day reporting obligation.The emergency exception retains its reporting condition and is not generalised to all purchases.