Sorotan Qwen3-Next: penalaran teks kompleks
Qwen3-Next-80B-A3B-Thinking adalah edisi teks Qwen3-Next yang hanya menggunakan mode pemikiran. Pembuat merekomendasikannya untuk tugas penalaran yang sangat kompleks dan mencatat bahwa pemikirannya dapat lebih panjang daripada pemikiran pada model sebelumnya. Model ini menerima teks dan mengembalikan teks, termasuk jawaban yang dijelaskan atau usulan kode. Bedakan dari Qwen3-Next-80B-A3B-Instruct dan Qwen3-Coder-Next, yang memiliki kontrak tanpa pemikiran berbeda.
Keluarga ini memperkenalkan atensi hibrida yang menggabungkan Gated DeltaNet dan atensi berpintu, pakar dengan sparsitas tinggi, teknik stabilitas seperti normalisasi lapisan berpusat nol dan dengan peluruhan bobot, serta prediksi beberapa token. Qwen juga menjelaskan stabilisasi pembelajaran penguatan melalui GSPO. Ini merupakan fitur pelatihan dan arsitektur; peningkatan efisiensi bergantung pada implementasi dan sebaiknya tidak menjadi klaim waktu respons universal.
Ikhtisar model
Model ini memiliki total 80 miliar parameter dan mengaktifkan tiga miliar. Model ini memiliki 48 lapisan dalam pola pakar 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. Teks sumber, pesan sebelumnya, observasi alat, penalaran, dan keluaran akhir berbagi batas urutan yang dikonfigurasi. Untuk pemikiran kompleks, pembuat menyarankan konteks yang dikonfigurasi lebih besar dari 131.072 jika memungkinkan, meskipun jendela lebih kecil akan mengurangi tekanan memori.
Menggunakan antarmuka khusus mode pemikiran
Templat percakapan bawaan sudah menyertakan penanda pembuka pemikiran. Karena itu, urutan yang dikembalikan dapat berisi penanda penutup tanpa mengulangi penanda pembuka. Ini merupakan pemformatan normal untuk prosedur pembuat, bukan bukti bahwa penalaran tidak ada. Model hanya mendukung mode pemikiran; permintaan jawaban akhir ringkas tidak mengubahnya menjadi edisi tanpa pemikiran.
Untuk masalah matematika atau logika, berikan pernyataan lengkap, definisi, satuan, dan asumsi yang diizinkan. Minta jawaban akhir dengan batas yang jelas beserta langkah pendukung yang diperlukan untuk memeriksanya. Untuk penalaran kode, berikan fungsi, masukan, dan perilaku yang diinginkan yang relevan, lalu minta usulan dengan penjelasan. Bandingkan perhitungan pendukung atau patch yang diusulkan dengan kondisi yang diberikan dan hasil sebenarnya.
Implementasi dan alat
Contoh pembuat mendukung alur kerja pengembangan dan alat serta merekomendasikan Qwen-Agent untuk templat pemanggilan alat dan penguraian panggilan tersebut, dengan alat yang dikonfigurasi atau terhubung melalui MCP. Tetapkan alat yang diizinkan, tujuan tugas, dan syarat penyelesaian yang dapat diamati. Aplikasi melakukan tindakan eksternal dan mengembalikan observasi sebenarnya; model kemudian dapat menggunakan umpan balik tersebut dalam jawaban berikutnya.
Prediksi beberapa token merupakan bagian dari pelatihan, tetapi penggunaannya dalam inferensi bergantung pada implementasi dan tidak tersedia secara umum pada setiap alur kerja ringan. Pertahankan perbedaan itu saat menilai penerapan. Kemampuan alat atau arsitektur saja tidak membuktikan akses ke berkas, sumber terkini, atau lingkungan eksekusi melalui aplikasi lain.
Teks sangat panjang
Perluasan yang didokumentasikan menggunakan YaRN. Pembuat memvalidasi konteks sekitar satu juta token dan memberikan prosedur faktor empat berdasarkan 262.144 posisi bawaan; untuk beban kerja 524.288 token, pembuat menyarankan faktor dua. Penskalaan statis dapat memengaruhi kinerja pada teks lebih pendek, sehingga sebaiknya mengikuti kebutuhan sebenarnya untuk masukan lebih panjang.
Susun masukan besar dengan batas dokumen serta pengenal kode atau bagian. Nyatakan pertanyaan dan artefak yang diharapkan agar model dapat menghubungkan bukti relevan alih-alih menganggap seluruh jendela sebagai pengganti tugas yang jelas. Sisakan ruang untuk penalaran yang mungkin panjang dan hasil akhir.
Panduan generasi
Best Practices merekomendasikan temperature 0,6, top_p 0,95, 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. Qwen merekomendasikan alokasi generasi 32.768 token untuk sebagian besar pertanyaan dan 81.920 untuk tugas matematika atau pemrograman yang luar biasa kompleks. Ini merupakan rekomendasi, bukan batas keluaran ketat independen.
Tentukan format jawaban akhir secara eksplisit, seperti hasil matematika dengan batas yang jelas atau bidang jawaban. Pembuat merekomendasikan penyimpanan keluaran akhir tanpa konten pemikiran dalam pesan asisten sebelumnya, sesuai templat checkpoint ini. Opsi penyimpanan penalaran sebelumnya dari model yang lebih baru sebaiknya tidak diimpor secara otomatis.
Batasan substantif
Model ini hanya menerima teks. Gambar, audio, atau video memerlukan representasi terpisah yang sesuai sebelum dapat menjadi bukti dalam alur kerja ini. Pemikiran panjang dan konteks merupakan sumber daya terbatas, dan penalaran terperinci tidak secara independen membuktikan hasil yang benar. Periksa asumsi, perhitungan, dan kode yang dihasilkan berdasarkan sumber yang diberikan. Hasil yang berguna adalah jawaban atau artefak yang dapat ditinjau, dengan bukti yang tetap terlihat dan identitas khusus mode pemikiran yang dipertahankan.
", "aboutText": "Sorotan Qwen3-Next: penalaran teks kompleks\n\nQwen3-Next-80B-A3B-Thinking adalah edisi teks Qwen3-Next yang hanya menggunakan mode pemikiran. Pembuat merekomendasikannya untuk tugas penalaran yang sangat kompleks dan mencatat bahwa pemikirannya dapat lebih panjang daripada pemikiran pada model sebelumnya. Model ini menerima teks dan mengembalikan teks, termasuk jawaban yang dijelaskan atau usulan kode. Bedakan dari Qwen3-Next-80B-A3B-Instruct dan Qwen3-Coder-Next, yang memiliki kontrak tanpa pemikiran berbeda.\n\nKeluarga ini memperkenalkan atensi hibrida yang menggabungkan Gated DeltaNet dan atensi berpintu, pakar dengan sparsitas tinggi, teknik stabilitas seperti normalisasi lapisan berpusat nol dan dengan peluruhan bobot, serta prediksi beberapa token. Qwen juga menjelaskan stabilisasi pembelajaran penguatan melalui GSPO. Ini merupakan fitur pelatihan dan arsitektur; peningkatan efisiensi bergantung pada implementasi dan sebaiknya tidak menjadi klaim waktu respons universal.\n\nIkhtisar model\n\nModel ini memiliki total 80 miliar parameter dan mengaktifkan tiga miliar. Model ini memiliki 48 lapisan dalam pola pakar 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. Teks sumber, pesan sebelumnya, observasi alat, penalaran, dan keluaran akhir berbagi batas urutan yang dikonfigurasi. Untuk pemikiran kompleks, pembuat menyarankan konteks yang dikonfigurasi lebih besar dari 131.072 jika memungkinkan, meskipun jendela lebih kecil akan mengurangi tekanan memori.\n\nMenggunakan antarmuka khusus mode pemikiran\n\nTemplat percakapan bawaan sudah menyertakan penanda pembuka pemikiran. Karena itu, urutan yang dikembalikan dapat berisi penanda penutup tanpa mengulangi penanda pembuka. Ini merupakan pemformatan normal untuk prosedur pembuat, bukan bukti bahwa penalaran tidak ada. Model hanya mendukung mode pemikiran; permintaan jawaban akhir ringkas tidak mengubahnya menjadi edisi tanpa pemikiran.\n\nUntuk masalah matematika atau logika, berikan pernyataan lengkap, definisi, satuan, dan asumsi yang diizinkan. Minta jawaban akhir dengan batas yang jelas beserta langkah pendukung yang diperlukan untuk memeriksanya. Untuk penalaran kode, berikan fungsi, masukan, dan perilaku yang diinginkan yang relevan, lalu minta usulan dengan penjelasan. Bandingkan perhitungan pendukung atau patch yang diusulkan dengan kondisi yang diberikan dan hasil sebenarnya.\n\nImplementasi dan alat\n\nContoh pembuat mendukung alur kerja pengembangan dan alat serta merekomendasikan Qwen-Agent untuk templat pemanggilan alat dan penguraian panggilan tersebut, dengan alat yang dikonfigurasi atau terhubung melalui MCP. Tetapkan alat yang diizinkan, tujuan tugas, dan syarat penyelesaian yang dapat diamati. Aplikasi melakukan tindakan eksternal dan mengembalikan observasi sebenarnya; model kemudian dapat menggunakan umpan balik tersebut dalam jawaban berikutnya.\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. Pertahankan perbedaan itu saat menilai penerapan. Kemampuan alat atau arsitektur saja tidak membuktikan akses ke berkas, sumber terkini, atau lingkungan eksekusi melalui aplikasi lain.\n\nTeks sangat panjang\n\nPerluasan yang didokumentasikan menggunakan YaRN. Pembuat memvalidasi konteks sekitar satu juta token dan memberikan prosedur faktor empat berdasarkan 262.144 posisi bawaan; untuk beban kerja 524.288 token, pembuat menyarankan faktor dua. Penskalaan statis dapat memengaruhi kinerja pada teks lebih pendek, sehingga sebaiknya mengikuti kebutuhan sebenarnya untuk masukan lebih panjang.\n\nSusun masukan besar dengan batas dokumen serta pengenal kode atau bagian. Nyatakan pertanyaan dan artefak yang diharapkan agar model dapat menghubungkan bukti relevan alih-alih menganggap seluruh jendela sebagai pengganti tugas yang jelas. Sisakan ruang untuk penalaran yang mungkin panjang dan hasil akhir.\n\nPanduan generasi\n\nBest Practices merekomendasikan temperature 0,6, top_p 0,95, 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. Qwen merekomendasikan alokasi generasi 32.768 token untuk sebagian besar pertanyaan dan 81.920 untuk tugas matematika atau pemrograman yang luar biasa kompleks. Ini merupakan rekomendasi, bukan batas keluaran ketat independen.\n\nTentukan format jawaban akhir secara eksplisit, seperti hasil matematika dengan batas yang jelas atau bidang jawaban. Pembuat merekomendasikan penyimpanan keluaran akhir tanpa konten pemikiran dalam pesan asisten sebelumnya, sesuai templat checkpoint ini. Opsi penyimpanan penalaran sebelumnya dari model yang lebih baru sebaiknya tidak diimpor secara otomatis.\n\nBatasan substantif\n\nModel ini hanya menerima teks. Gambar, audio, atau video memerlukan representasi terpisah yang sesuai sebelum dapat menjadi bukti dalam alur kerja ini. Pemikiran panjang dan konteks merupakan sumber daya terbatas, dan penalaran terperinci tidak secara independen membuktikan hasil yang benar. Periksa asumsi, perhitungan, dan kode yang dihasilkan berdasarkan sumber yang diberikan. Hasil yang berguna adalah jawaban atau artefak yang dapat ditinjau, dengan bukti yang tetap terlihat dan identitas khusus mode pemikiran yang dipertahankan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Identify what a logic puzzle actually determines\n\nExactly one of A, B and C took a key, and exactly one statement is true. A says, 'B took it.' B says, 'C took it.' C says, 'I did not take it.' Determine every possible culprit consistent with these premises. Show a truth table and state whether the culprit is uniquely determined.A three-case truth table and the complete set of consistent culprits with a uniqueness conclusion.The table checks exactly one true statement in each candidate case and preserves multiple solutions if the premises allow them.qwen/qwen3-next-80b-a3b-thinkingQwen3-Next-80B-A3B-Thinking adalah model penalaran teks Qwen dengan total 80 miliar parameter dan 3 miliar parameter yang diaktifkan. Model ini hanya menggunakan mode pemikiran, atensi hibrida, dan pakar sparse untuk tugas kompleks, dengan konteks bawaan 262.144 token dan perluasan bersyarat hingga 1.010.000.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Sorotan Qwen3-Next: penalaran teks kompleks
Qwen3-Next-80B-A3B-Thinking adalah edisi teks Qwen3-Next yang hanya menggunakan mode pemikiran. Pembuat merekomendasikannya untuk tugas penalaran yang sangat kompleks dan mencatat bahwa pemikirannya dapat lebih panjang daripada pemikiran pada model sebelumnya. Model ini menerima teks dan mengembalikan teks, termasuk jawaban yang dijelaskan atau usulan kode. Bedakan dari Qwen3-Next-80B-A3B-Instruct dan Qwen3-Coder-Next, yang memiliki kontrak tanpa pemikiran berbeda.
Keluarga ini memperkenalkan atensi hibrida yang menggabungkan Gated DeltaNet dan atensi berpintu, pakar dengan sparsitas tinggi, teknik stabilitas seperti normalisasi lapisan berpusat nol dan dengan peluruhan bobot, serta prediksi beberapa token. Qwen juga menjelaskan stabilisasi pembelajaran penguatan melalui GSPO. Ini merupakan fitur pelatihan dan arsitektur; peningkatan efisiensi bergantung pada implementasi dan sebaiknya tidak menjadi klaim waktu respons universal.
Ikhtisar model
Model ini memiliki total 80 miliar parameter dan mengaktifkan tiga miliar. Model ini memiliki 48 lapisan dalam pola pakar 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. Teks sumber, pesan sebelumnya, observasi alat, penalaran, dan keluaran akhir berbagi batas urutan yang dikonfigurasi. Untuk pemikiran kompleks, pembuat menyarankan konteks yang dikonfigurasi lebih besar dari 131.072 jika memungkinkan, meskipun jendela lebih kecil akan mengurangi tekanan memori.
Menggunakan antarmuka khusus mode pemikiran
Templat percakapan bawaan sudah menyertakan penanda pembuka pemikiran. Karena itu, urutan yang dikembalikan dapat berisi penanda penutup tanpa mengulangi penanda pembuka. Ini merupakan pemformatan normal untuk prosedur pembuat, bukan bukti bahwa penalaran tidak ada. Model hanya mendukung mode pemikiran; permintaan jawaban akhir ringkas tidak mengubahnya menjadi edisi tanpa pemikiran.
Untuk masalah matematika atau logika, berikan pernyataan lengkap, definisi, satuan, dan asumsi yang diizinkan. Minta jawaban akhir dengan batas yang jelas beserta langkah pendukung yang diperlukan untuk memeriksanya. Untuk penalaran kode, berikan fungsi, masukan, dan perilaku yang diinginkan yang relevan, lalu minta usulan dengan penjelasan. Bandingkan perhitungan pendukung atau patch yang diusulkan dengan kondisi yang diberikan dan hasil sebenarnya.
Implementasi dan alat
Contoh pembuat mendukung alur kerja pengembangan dan alat serta merekomendasikan Qwen-Agent untuk templat pemanggilan alat dan penguraian panggilan tersebut, dengan alat yang dikonfigurasi atau terhubung melalui MCP. Tetapkan alat yang diizinkan, tujuan tugas, dan syarat penyelesaian yang dapat diamati. Aplikasi melakukan tindakan eksternal dan mengembalikan observasi sebenarnya; model kemudian dapat menggunakan umpan balik tersebut dalam jawaban berikutnya.
Prediksi beberapa token merupakan bagian dari pelatihan, tetapi penggunaannya dalam inferensi bergantung pada implementasi dan tidak tersedia secara umum pada setiap alur kerja ringan. Pertahankan perbedaan itu saat menilai penerapan. Kemampuan alat atau arsitektur saja tidak membuktikan akses ke berkas, sumber terkini, atau lingkungan eksekusi melalui aplikasi lain.
Teks sangat panjang
Perluasan yang didokumentasikan menggunakan YaRN. Pembuat memvalidasi konteks sekitar satu juta token dan memberikan prosedur faktor empat berdasarkan 262.144 posisi bawaan; untuk beban kerja 524.288 token, pembuat menyarankan faktor dua. Penskalaan statis dapat memengaruhi kinerja pada teks lebih pendek, sehingga sebaiknya mengikuti kebutuhan sebenarnya untuk masukan lebih panjang.
Susun masukan besar dengan batas dokumen serta pengenal kode atau bagian. Nyatakan pertanyaan dan artefak yang diharapkan agar model dapat menghubungkan bukti relevan alih-alih menganggap seluruh jendela sebagai pengganti tugas yang jelas. Sisakan ruang untuk penalaran yang mungkin panjang dan hasil akhir.
Panduan generasi
Best Practices merekomendasikan temperature 0,6, top_p 0,95, 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. Qwen merekomendasikan alokasi generasi 32.768 token untuk sebagian besar pertanyaan dan 81.920 untuk tugas matematika atau pemrograman yang luar biasa kompleks. Ini merupakan rekomendasi, bukan batas keluaran ketat independen.
Tentukan format jawaban akhir secara eksplisit, seperti hasil matematika dengan batas yang jelas atau bidang jawaban. Pembuat merekomendasikan penyimpanan keluaran akhir tanpa konten pemikiran dalam pesan asisten sebelumnya, sesuai templat checkpoint ini. Opsi penyimpanan penalaran sebelumnya dari model yang lebih baru sebaiknya tidak diimpor secara otomatis.
Batasan substantif
Model ini hanya menerima teks. Gambar, audio, atau video memerlukan representasi terpisah yang sesuai sebelum dapat menjadi bukti dalam alur kerja ini. Pemikiran panjang dan konteks merupakan sumber daya terbatas, dan penalaran terperinci tidak secara independen membuktikan hasil yang benar. Periksa asumsi, perhitungan, dan kode yang dihasilkan berdasarkan sumber yang diberikan. Hasil yang berguna adalah jawaban atau artefak yang dapat ditinjau, dengan bukti yang tetap terlihat dan identitas khusus mode pemikiran yang dipertahankan.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen/qwen3-next-80b-a3b-thinking | 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 $0.0003 / 1K token Keluaran · Token keluaran $0.0024 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 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 $0.0003 / 1K token Keluaran · Token keluaran $0.0024 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${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-thinking", "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-thinking',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-thinking',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-thinking
Gunakan jalur metode yang ditampilkan di atas.
qwen/qwen3-next-80b-a3b-thinkingQwen3-Next-80B-A3B-Thinking adalah model penalaran teks Qwen dengan total 80 miliar parameter dan 3 miliar parameter yang diaktifkan. Model ini hanya menggunakan mode pemikiran, atensi hibrida, dan pakar sparse untuk tugas kompleks, dengan konteks bawaan 262.144 token dan perluasan bersyarat hingga 1.010.000.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Sorotan Qwen3-Next: penalaran teks kompleks
Qwen3-Next-80B-A3B-Thinking adalah edisi teks Qwen3-Next yang hanya menggunakan mode pemikiran. Pembuat merekomendasikannya untuk tugas penalaran yang sangat kompleks dan mencatat bahwa pemikirannya dapat lebih panjang daripada pemikiran pada model sebelumnya. Model ini menerima teks dan mengembalikan teks, termasuk jawaban yang dijelaskan atau usulan kode. Bedakan dari Qwen3-Next-80B-A3B-Instruct dan Qwen3-Coder-Next, yang memiliki kontrak tanpa pemikiran berbeda.
Keluarga ini memperkenalkan atensi hibrida yang menggabungkan Gated DeltaNet dan atensi berpintu, pakar dengan sparsitas tinggi, teknik stabilitas seperti normalisasi lapisan berpusat nol dan dengan peluruhan bobot, serta prediksi beberapa token. Qwen juga menjelaskan stabilisasi pembelajaran penguatan melalui GSPO. Ini merupakan fitur pelatihan dan arsitektur; peningkatan efisiensi bergantung pada implementasi dan sebaiknya tidak menjadi klaim waktu respons universal.
Ikhtisar model
Model ini memiliki total 80 miliar parameter dan mengaktifkan tiga miliar. Model ini memiliki 48 lapisan dalam pola pakar 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. Teks sumber, pesan sebelumnya, observasi alat, penalaran, dan keluaran akhir berbagi batas urutan yang dikonfigurasi. Untuk pemikiran kompleks, pembuat menyarankan konteks yang dikonfigurasi lebih besar dari 131.072 jika memungkinkan, meskipun jendela lebih kecil akan mengurangi tekanan memori.
Menggunakan antarmuka khusus mode pemikiran
Templat percakapan bawaan sudah menyertakan penanda pembuka pemikiran. Karena itu, urutan yang dikembalikan dapat berisi penanda penutup tanpa mengulangi penanda pembuka. Ini merupakan pemformatan normal untuk prosedur pembuat, bukan bukti bahwa penalaran tidak ada. Model hanya mendukung mode pemikiran; permintaan jawaban akhir ringkas tidak mengubahnya menjadi edisi tanpa pemikiran.
Untuk masalah matematika atau logika, berikan pernyataan lengkap, definisi, satuan, dan asumsi yang diizinkan. Minta jawaban akhir dengan batas yang jelas beserta langkah pendukung yang diperlukan untuk memeriksanya. Untuk penalaran kode, berikan fungsi, masukan, dan perilaku yang diinginkan yang relevan, lalu minta usulan dengan penjelasan. Bandingkan perhitungan pendukung atau patch yang diusulkan dengan kondisi yang diberikan dan hasil sebenarnya.
Implementasi dan alat
Contoh pembuat mendukung alur kerja pengembangan dan alat serta merekomendasikan Qwen-Agent untuk templat pemanggilan alat dan penguraian panggilan tersebut, dengan alat yang dikonfigurasi atau terhubung melalui MCP. Tetapkan alat yang diizinkan, tujuan tugas, dan syarat penyelesaian yang dapat diamati. Aplikasi melakukan tindakan eksternal dan mengembalikan observasi sebenarnya; model kemudian dapat menggunakan umpan balik tersebut dalam jawaban berikutnya.
Prediksi beberapa token merupakan bagian dari pelatihan, tetapi penggunaannya dalam inferensi bergantung pada implementasi dan tidak tersedia secara umum pada setiap alur kerja ringan. Pertahankan perbedaan itu saat menilai penerapan. Kemampuan alat atau arsitektur saja tidak membuktikan akses ke berkas, sumber terkini, atau lingkungan eksekusi melalui aplikasi lain.
Teks sangat panjang
Perluasan yang didokumentasikan menggunakan YaRN. Pembuat memvalidasi konteks sekitar satu juta token dan memberikan prosedur faktor empat berdasarkan 262.144 posisi bawaan; untuk beban kerja 524.288 token, pembuat menyarankan faktor dua. Penskalaan statis dapat memengaruhi kinerja pada teks lebih pendek, sehingga sebaiknya mengikuti kebutuhan sebenarnya untuk masukan lebih panjang.
Susun masukan besar dengan batas dokumen serta pengenal kode atau bagian. Nyatakan pertanyaan dan artefak yang diharapkan agar model dapat menghubungkan bukti relevan alih-alih menganggap seluruh jendela sebagai pengganti tugas yang jelas. Sisakan ruang untuk penalaran yang mungkin panjang dan hasil akhir.
Panduan generasi
Best Practices merekomendasikan temperature 0,6, top_p 0,95, 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. Qwen merekomendasikan alokasi generasi 32.768 token untuk sebagian besar pertanyaan dan 81.920 untuk tugas matematika atau pemrograman yang luar biasa kompleks. Ini merupakan rekomendasi, bukan batas keluaran ketat independen.
Tentukan format jawaban akhir secara eksplisit, seperti hasil matematika dengan batas yang jelas atau bidang jawaban. Pembuat merekomendasikan penyimpanan keluaran akhir tanpa konten pemikiran dalam pesan asisten sebelumnya, sesuai templat checkpoint ini. Opsi penyimpanan penalaran sebelumnya dari model yang lebih baru sebaiknya tidak diimpor secara otomatis.
Batasan substantif
Model ini hanya menerima teks. Gambar, audio, atau video memerlukan representasi terpisah yang sesuai sebelum dapat menjadi bukti dalam alur kerja ini. Pemikiran panjang dan konteks merupakan sumber daya terbatas, dan penalaran terperinci tidak secara independen membuktikan hasil yang benar. Periksa asumsi, perhitungan, dan kode yang dihasilkan berdasarkan sumber yang diberikan. Hasil yang berguna adalah jawaban atau artefak yang dapat ditinjau, dengan bukti yang tetap terlihat dan identitas khusus mode pemikiran yang dipertahankan.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen/qwen3-next-80b-a3b-thinking | 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 $0.0003 / 1K token Keluaran · Token keluaran $0.0024 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 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 $0.0003 / 1K token Keluaran · Token keluaran $0.0024 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "qwen/qwen3-next-80b-a3b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-thinking', '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-thinking', '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-thinking
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Identify what a logic puzzle actually determines\n\nExactly one of A, B and C took a key, and exactly one statement is true. A says, 'B took it.' B says, 'C took it.' C says, 'I did not take it.' Determine every possible culprit consistent with these premises. Show a truth table and state whether the culprit is uniquely determined.A three-case truth table and the complete set of consistent culprits with a uniqueness conclusion.The table checks exactly one true statement in each candidate case and preserves multiple solutions if the premises allow them.