Qwen3-0.6B menyediakan antarmuka teks hibrida Qwen3 dalam model dense dengan 0.6 miliar parameter. Kemampuan keluarganya mencakup kepatuhan terhadap instruksi, percakapan multibahasa, penulisan kreatif, interaksi berbasis peran, matematika, kode, dan penalaran logis. Thinking dan generasi biasa tersedia dalam rilis yang sama ini. Ukuran ringkas mengidentifikasi checkpoint, bukan format masukan berbeda atau nama pengganti untuk model Qwen3 yang lebih besar.
Model ini memiliki 0.44 miliar parameter non-embedding dan 28 lapisan, dengan 16 head query dan delapan head key/value pada grouped-query attention. Kartu yang tepat mendokumentasikan 32,768 token konteks. Teks masuk maupun konten yang dihasilkan menempati rangkaian model, jadi sisakan ruang untuk jawaban saat menyusun instruksi dan contoh. Kartu rilis ini tidak mendokumentasikan pengaturan konteks diperluas yang tercakup pada sebagian kartu Qwen3 yang lebih besar. Tugas awal praktis adalah satu operasi singkat dengan definisi jelas yang keluarannya dapat dibandingkan langsung dengan sumber.
Gunakan templat chat yang ditetapkan produsen untuk menyajikan instruksi dan materi. Misalnya, berikan catatan layanan singkat dan minta pesan untuk pelanggan yang mempertahankan tanggal janji temu serta nama produk tanpa perubahan. Berikan pembaca sasaran, nada, dan panjang maksimum yang diminta. Untuk tugas pemilihan label, cantumkan label yang diizinkan beserta definisinya dan sertakan contoh ambigu yang menunjukkan cara melaporkan ketidakpastian. Minta hanya label dan kutipan terkait dari masukan. Ini adalah persyaratan keluaran yang konkret, bukan klaim bahwa model akan selalu memenuhinya tanpa pemeriksaan. Integrasi yang dipublikasikan mengharapkan runtime yang mengenali Qwen3; kartu ini memperingatkan bahwa versi Transformers di bawah 4.51.0 tidak mengenali arsitektur yang diperlukan.
Templat yang disediakan menggunakan thinking secara bawaan. Pengaturan non-thinking tegas meniadakan bagian penalaran; jika thinking tetap aktif, /think dan /no_think dapat mengendalikan mode antar-giliran, mengikuti instruksi terbaru. Penonaktifan tegas diutamakan di atas prompt lunak ini. Pilih pengaturan yang sesuai dengan operasi: perubahan sederhana pada redaksi yang disetujui dapat menggunakan respons langsung, sedangkan penjelasan mengapa suatu kondisi berlaku mungkin memerlukan penalaran. Simpan jawaban akhir, bukan bagian penalaran sebelumnya, sebagai riwayat percakapan. Ketika thinking aktif, bahkan permintaan non-thinking lunak tetap mempertahankan blok penalaran; isinya dapat kosong. Penonaktifan tegas menghapus blok tersebut.
Kartu model menjelaskan penggunaan agen berorientasi alat dan merekomendasikan Qwen-Agent untuk templat serta parsing. Untuk asisten glosarium kecil, aplikasi dapat menyediakan satu pencarian hanya-baca, memvalidasi argumennya, menjalankannya, dan mengembalikan entri. Model kemudian dapat menjelaskan istilah dalam gaya yang diminta pengguna. Definisikan hasil alat dan langkah pengganti untuk entri yang tidak tersedia sejak awal. Permintaan alat yang dihasilkan harus ditangani sebagai permintaan, dengan aplikasi tetap bertanggung jawab atas eksekusi dan bukti yang dikembalikan. Panduan Qwen3 juga menjelaskan panggilan alat paralel dan bertahap, dengan argumen yang direpresentasikan sebagai objek serta hasil yang dimasukkan kembali ke percakapan.
Panduan mulai cepat dan panjang keluaran praktik terbaik yang dipublikasikan merupakan panduan generasi, bukan batas API terjamin yang terpisah. Dengan operasi terfokus, pilih catatan akhir ringkas, seperti kalimat yang ditulis ulang beserta nama yang tidak berubah, atau label dan teks yang mendukungnya. Periksa catatan tersebut terhadap materi yang diberikan. Jika tugas berkembang menjadi penjelasan panjang, evaluasi hasil yang lebih panjang pada jenis masukan nyata yang sama, alih-alih mengasumsikan identitas model yang ringkas membuktikan akurasi atau kualitas responsnya. Dokumentasi Qwen3 membahas panjang pesan asisten 38,912 token dalam mode thinking dan 16,384 dalam mode non-thinking pada penjelasan panjang pelatihannya, serta merekomendasikan evaluasi kualitas generasi yang lebih panjang. Angka tersebut berbeda dari jendela konteks keseluruhan dan bukan batas mutlak khusus endpoint.
Kartu yang persis ini menambahkan saran untuk pengulangan signifikan: gunakan pengaturan sampling yang direkomendasikan dan pertimbangkan presence_penalty 1.5. Penalty yang lebih kuat dapat menyebabkan percampuran bahasa atau penurunan kinerja. Mode thinking dipasangkan dengan temperature 0.6, top-p 0.95, top-k 20, dan min-p 0; non-thinking dengan temperature 0.7, top-p 0.8, top-k 20, dan min-p 0. Produsen memperingatkan agar tidak menggunakan greedy decoding dalam mode thinking. Periksa frasa berulang, nama yang dipertahankan, dan label yang dipilih; tolak catatan yang salah format, alih-alih memperlakukan uraian yang terbaca sebagai bukti bahwa format yang diperlukan telah diikuti.
", "aboutText": "Qwen3-0.6B menyediakan antarmuka teks hibrida Qwen3 dalam model dense dengan 0.6 miliar parameter. Kemampuan keluarganya mencakup kepatuhan terhadap instruksi, percakapan multibahasa, penulisan kreatif, interaksi berbasis peran, matematika, kode, dan penalaran logis. Thinking dan generasi biasa tersedia dalam rilis yang sama ini. Ukuran ringkas mengidentifikasi checkpoint, bukan format masukan berbeda atau nama pengganti untuk model Qwen3 yang lebih besar.\n\nModel ini memiliki 0.44 miliar parameter non-embedding dan 28 lapisan, dengan 16 head query dan delapan head key/value pada grouped-query attention. Kartu yang tepat mendokumentasikan 32,768 token konteks. Teks masuk maupun konten yang dihasilkan menempati rangkaian model, jadi sisakan ruang untuk jawaban saat menyusun instruksi dan contoh. Kartu rilis ini tidak mendokumentasikan pengaturan konteks diperluas yang tercakup pada sebagian kartu Qwen3 yang lebih besar. Tugas awal praktis adalah satu operasi singkat dengan definisi jelas yang keluarannya dapat dibandingkan langsung dengan sumber.\n\nGunakan templat chat yang ditetapkan produsen untuk menyajikan instruksi dan materi. Misalnya, berikan catatan layanan singkat dan minta pesan untuk pelanggan yang mempertahankan tanggal janji temu serta nama produk tanpa perubahan. Berikan pembaca sasaran, nada, dan panjang maksimum yang diminta. Untuk tugas pemilihan label, cantumkan label yang diizinkan beserta definisinya dan sertakan contoh ambigu yang menunjukkan cara melaporkan ketidakpastian. Minta hanya label dan kutipan terkait dari masukan. Ini adalah persyaratan keluaran yang konkret, bukan klaim bahwa model akan selalu memenuhinya tanpa pemeriksaan. Integrasi yang dipublikasikan mengharapkan runtime yang mengenali Qwen3; kartu ini memperingatkan bahwa versi Transformers di bawah 4.51.0 tidak mengenali arsitektur yang diperlukan.\n\nTemplat yang disediakan menggunakan thinking secara bawaan. Pengaturan non-thinking tegas meniadakan bagian penalaran; jika thinking tetap aktif, /think dan /no_think dapat mengendalikan mode antar-giliran, mengikuti instruksi terbaru. Penonaktifan tegas diutamakan di atas prompt lunak ini. Pilih pengaturan yang sesuai dengan operasi: perubahan sederhana pada redaksi yang disetujui dapat menggunakan respons langsung, sedangkan penjelasan mengapa suatu kondisi berlaku mungkin memerlukan penalaran. Simpan jawaban akhir, bukan bagian penalaran sebelumnya, sebagai riwayat percakapan. Ketika thinking aktif, bahkan permintaan non-thinking lunak tetap mempertahankan blok penalaran; isinya dapat kosong. Penonaktifan tegas menghapus blok tersebut.\n\nKartu model menjelaskan penggunaan agen berorientasi alat dan merekomendasikan Qwen-Agent untuk templat serta parsing. Untuk asisten glosarium kecil, aplikasi dapat menyediakan satu pencarian hanya-baca, memvalidasi argumennya, menjalankannya, dan mengembalikan entri. Model kemudian dapat menjelaskan istilah dalam gaya yang diminta pengguna. Definisikan hasil alat dan langkah pengganti untuk entri yang tidak tersedia sejak awal. Permintaan alat yang dihasilkan harus ditangani sebagai permintaan, dengan aplikasi tetap bertanggung jawab atas eksekusi dan bukti yang dikembalikan. Panduan Qwen3 juga menjelaskan panggilan alat paralel dan bertahap, dengan argumen yang direpresentasikan sebagai objek serta hasil yang dimasukkan kembali ke percakapan.\n\nPanduan mulai cepat dan panjang keluaran praktik terbaik yang dipublikasikan merupakan panduan generasi, bukan batas API terjamin yang terpisah. Dengan operasi terfokus, pilih catatan akhir ringkas, seperti kalimat yang ditulis ulang beserta nama yang tidak berubah, atau label dan teks yang mendukungnya. Periksa catatan tersebut terhadap materi yang diberikan. Jika tugas berkembang menjadi penjelasan panjang, evaluasi hasil yang lebih panjang pada jenis masukan nyata yang sama, alih-alih mengasumsikan identitas model yang ringkas membuktikan akurasi atau kualitas responsnya. Dokumentasi Qwen3 membahas panjang pesan asisten 38,912 token dalam mode thinking dan 16,384 dalam mode non-thinking pada penjelasan panjang pelatihannya, serta merekomendasikan evaluasi kualitas generasi yang lebih panjang. Angka tersebut berbeda dari jendela konteks keseluruhan dan bukan batas mutlak khusus endpoint.\n\nKartu yang persis ini menambahkan saran untuk pengulangan signifikan: gunakan pengaturan sampling yang direkomendasikan dan pertimbangkan presence_penalty 1.5. Penalty yang lebih kuat dapat menyebabkan percampuran bahasa atau penurunan kinerja. Mode thinking dipasangkan dengan temperature 0.6, top-p 0.95, top-k 20, dan min-p 0; non-thinking dengan temperature 0.7, top-p 0.8, top-k 20, dan min-p 0. Produsen memperingatkan agar tidak menggunakan greedy decoding dalam mode thinking. Periksa frasa berulang, nama yang dipertahankan, dan label yang dipilih; tolak catatan yang salah format, alih-alih memperlakukan uraian yang terbaca sebagai bukti bahwa format yang diperlukan telah diikuti.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
A single focused appointment rewrite\n\nRewrite this note as one friendly sentence for a customer, using at most 25 words: 'Appointment for Polar Fan repair: 14 June, 09:30. Bring the purchase receipt.' Preserve the product name, date, time and receipt instruction. Return only the sentence, with no heading or additional details.One customer-facing sentence of at most 25 words retaining all four facts.Polar Fan, 14 June and 09:30 remain exact, and the receipt instruction is present.qwen3-0.6bQwen3-0.6B adalah rilis dense terkecil dalam kumpulan Qwen3 ini, dengan 0.6 miliar parameter. Model ini menangani instruksi teks dan dialog multibahasa melalui mode langsung dan thinking, dengan konteks khusus edisi sebesar 32,768 token.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Qwen3-0.6B menyediakan antarmuka teks hibrida Qwen3 dalam model dense dengan 0.6 miliar parameter. Kemampuan keluarganya mencakup kepatuhan terhadap instruksi, percakapan multibahasa, penulisan kreatif, interaksi berbasis peran, matematika, kode, dan penalaran logis. Thinking dan generasi biasa tersedia dalam rilis yang sama ini. Ukuran ringkas mengidentifikasi checkpoint, bukan format masukan berbeda atau nama pengganti untuk model Qwen3 yang lebih besar.
Model ini memiliki 0.44 miliar parameter non-embedding dan 28 lapisan, dengan 16 head query dan delapan head key/value pada grouped-query attention. Kartu yang tepat mendokumentasikan 32,768 token konteks. Teks masuk maupun konten yang dihasilkan menempati rangkaian model, jadi sisakan ruang untuk jawaban saat menyusun instruksi dan contoh. Kartu rilis ini tidak mendokumentasikan pengaturan konteks diperluas yang tercakup pada sebagian kartu Qwen3 yang lebih besar. Tugas awal praktis adalah satu operasi singkat dengan definisi jelas yang keluarannya dapat dibandingkan langsung dengan sumber.
Gunakan templat chat yang ditetapkan produsen untuk menyajikan instruksi dan materi. Misalnya, berikan catatan layanan singkat dan minta pesan untuk pelanggan yang mempertahankan tanggal janji temu serta nama produk tanpa perubahan. Berikan pembaca sasaran, nada, dan panjang maksimum yang diminta. Untuk tugas pemilihan label, cantumkan label yang diizinkan beserta definisinya dan sertakan contoh ambigu yang menunjukkan cara melaporkan ketidakpastian. Minta hanya label dan kutipan terkait dari masukan. Ini adalah persyaratan keluaran yang konkret, bukan klaim bahwa model akan selalu memenuhinya tanpa pemeriksaan. Integrasi yang dipublikasikan mengharapkan runtime yang mengenali Qwen3; kartu ini memperingatkan bahwa versi Transformers di bawah 4.51.0 tidak mengenali arsitektur yang diperlukan.
Templat yang disediakan menggunakan thinking secara bawaan. Pengaturan non-thinking tegas meniadakan bagian penalaran; jika thinking tetap aktif, /think dan /no_think dapat mengendalikan mode antar-giliran, mengikuti instruksi terbaru. Penonaktifan tegas diutamakan di atas prompt lunak ini. Pilih pengaturan yang sesuai dengan operasi: perubahan sederhana pada redaksi yang disetujui dapat menggunakan respons langsung, sedangkan penjelasan mengapa suatu kondisi berlaku mungkin memerlukan penalaran. Simpan jawaban akhir, bukan bagian penalaran sebelumnya, sebagai riwayat percakapan. Ketika thinking aktif, bahkan permintaan non-thinking lunak tetap mempertahankan blok penalaran; isinya dapat kosong. Penonaktifan tegas menghapus blok tersebut.
Kartu model menjelaskan penggunaan agen berorientasi alat dan merekomendasikan Qwen-Agent untuk templat serta parsing. Untuk asisten glosarium kecil, aplikasi dapat menyediakan satu pencarian hanya-baca, memvalidasi argumennya, menjalankannya, dan mengembalikan entri. Model kemudian dapat menjelaskan istilah dalam gaya yang diminta pengguna. Definisikan hasil alat dan langkah pengganti untuk entri yang tidak tersedia sejak awal. Permintaan alat yang dihasilkan harus ditangani sebagai permintaan, dengan aplikasi tetap bertanggung jawab atas eksekusi dan bukti yang dikembalikan. Panduan Qwen3 juga menjelaskan panggilan alat paralel dan bertahap, dengan argumen yang direpresentasikan sebagai objek serta hasil yang dimasukkan kembali ke percakapan.
Panduan mulai cepat dan panjang keluaran praktik terbaik yang dipublikasikan merupakan panduan generasi, bukan batas API terjamin yang terpisah. Dengan operasi terfokus, pilih catatan akhir ringkas, seperti kalimat yang ditulis ulang beserta nama yang tidak berubah, atau label dan teks yang mendukungnya. Periksa catatan tersebut terhadap materi yang diberikan. Jika tugas berkembang menjadi penjelasan panjang, evaluasi hasil yang lebih panjang pada jenis masukan nyata yang sama, alih-alih mengasumsikan identitas model yang ringkas membuktikan akurasi atau kualitas responsnya. Dokumentasi Qwen3 membahas panjang pesan asisten 38,912 token dalam mode thinking dan 16,384 dalam mode non-thinking pada penjelasan panjang pelatihannya, serta merekomendasikan evaluasi kualitas generasi yang lebih panjang. Angka tersebut berbeda dari jendela konteks keseluruhan dan bukan batas mutlak khusus endpoint.
Kartu yang persis ini menambahkan saran untuk pengulangan signifikan: gunakan pengaturan sampling yang direkomendasikan dan pertimbangkan presence_penalty 1.5. Penalty yang lebih kuat dapat menyebabkan percampuran bahasa atau penurunan kinerja. Mode thinking dipasangkan dengan temperature 0.6, top-p 0.95, top-k 20, dan min-p 0; non-thinking dengan temperature 0.7, top-p 0.8, top-k 20, dan min-p 0. Produsen memperingatkan agar tidak menggunakan greedy decoding dalam mode thinking. Periksa frasa berulang, nama yang dipertahankan, dan label yang dipilih; tolak catatan yang salah format, alih-alih memperlakukan uraian yang terbaca sebagai bukti bahwa format yang diperlukan telah diikuti.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen3-0.6b | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Contoh: system, user, assistant, tool, function Kondisi: Peran ini direpresentasikan secara eksplisit oleh tipe kompatibilitas dalam kode sumber; kumpulan peran model yang tepat tetap khusus untuk tiap model. Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring|content_part[]|null | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_calls | Jenistool_call[] | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_call_id | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: role=tool; gunakan ID yang benar-benar dikembalikan | Bawaan— |
Kolommessages[].name | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].reasoning_content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Kirim kembali penalaran yang benar-benar dikembalikan jika model ini menggunakannya | Bawaan— |
Kolommessages[].reasoning_details | Jenisobject|array | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolommax_completion_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Kolomstream_options.include_usage | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtemperature | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtop_p | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomstop | Jenisstring|string[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools | Jenisfunction_tool[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools[].type | Jenisstring | PersyaratanOpsional | Nilai & batasan function Bergantung pada model | Bawaan— |
Kolomtools[].function.name | Jenisstring | PersyaratanWajib | Nilai & batasan Berlaku jika: alat fungsi disediakan | Bawaan— |
Kolomtools[].function.description | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtools[].function.parameters | JenisJSON_schema | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtool_choice | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomparallel_tool_calls | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomresponse_format | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning_effort | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomservice_tier | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolominstructions | Jenisstring | PersyaratanOpsional | Nilai & batasan Kolom kompatibilitas | Bawaan— |
Kolomfunctions | Jenisfunction[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomfunction_call | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomprompt_cache_options | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommodalities | Jenisstring[] | PersyaratanOpsional | Nilai & batasan text | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak pada rute teks Ultra ini | Bawaan— |
Kolomcache_control.ttl | Jenisstring | PersyaratanOpsional | Nilai & batasan Kondisi: 1h ditolak pada lokasi cache prompt yang digunakan | Bawaan— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontrakarray pesan dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeda dari alat yang dihosting |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Siklus hidup: synchronous_or_streamed
Kirim ID model yang tepat bersama messages.
Panjang konteks bukan batas keluaran.
File teks dapat menyediakan teks apa adanya; masukan gambar/audio/objek file memerlukan pengikatan yang tepat.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.0001 / 1K token Keluaran · Token keluaran $0.001 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen3-0.6b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen3-0.6b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen3-0.6b',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 qwen3-0.6b
Gunakan jalur metode yang ditampilkan di atas.
qwen3-0.6bQwen3-0.6B adalah rilis dense terkecil dalam kumpulan Qwen3 ini, dengan 0.6 miliar parameter. Model ini menangani instruksi teks dan dialog multibahasa melalui mode langsung dan thinking, dengan konteks khusus edisi sebesar 32,768 token.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Qwen3-0.6B menyediakan antarmuka teks hibrida Qwen3 dalam model dense dengan 0.6 miliar parameter. Kemampuan keluarganya mencakup kepatuhan terhadap instruksi, percakapan multibahasa, penulisan kreatif, interaksi berbasis peran, matematika, kode, dan penalaran logis. Thinking dan generasi biasa tersedia dalam rilis yang sama ini. Ukuran ringkas mengidentifikasi checkpoint, bukan format masukan berbeda atau nama pengganti untuk model Qwen3 yang lebih besar.
Model ini memiliki 0.44 miliar parameter non-embedding dan 28 lapisan, dengan 16 head query dan delapan head key/value pada grouped-query attention. Kartu yang tepat mendokumentasikan 32,768 token konteks. Teks masuk maupun konten yang dihasilkan menempati rangkaian model, jadi sisakan ruang untuk jawaban saat menyusun instruksi dan contoh. Kartu rilis ini tidak mendokumentasikan pengaturan konteks diperluas yang tercakup pada sebagian kartu Qwen3 yang lebih besar. Tugas awal praktis adalah satu operasi singkat dengan definisi jelas yang keluarannya dapat dibandingkan langsung dengan sumber.
Gunakan templat chat yang ditetapkan produsen untuk menyajikan instruksi dan materi. Misalnya, berikan catatan layanan singkat dan minta pesan untuk pelanggan yang mempertahankan tanggal janji temu serta nama produk tanpa perubahan. Berikan pembaca sasaran, nada, dan panjang maksimum yang diminta. Untuk tugas pemilihan label, cantumkan label yang diizinkan beserta definisinya dan sertakan contoh ambigu yang menunjukkan cara melaporkan ketidakpastian. Minta hanya label dan kutipan terkait dari masukan. Ini adalah persyaratan keluaran yang konkret, bukan klaim bahwa model akan selalu memenuhinya tanpa pemeriksaan. Integrasi yang dipublikasikan mengharapkan runtime yang mengenali Qwen3; kartu ini memperingatkan bahwa versi Transformers di bawah 4.51.0 tidak mengenali arsitektur yang diperlukan.
Templat yang disediakan menggunakan thinking secara bawaan. Pengaturan non-thinking tegas meniadakan bagian penalaran; jika thinking tetap aktif, /think dan /no_think dapat mengendalikan mode antar-giliran, mengikuti instruksi terbaru. Penonaktifan tegas diutamakan di atas prompt lunak ini. Pilih pengaturan yang sesuai dengan operasi: perubahan sederhana pada redaksi yang disetujui dapat menggunakan respons langsung, sedangkan penjelasan mengapa suatu kondisi berlaku mungkin memerlukan penalaran. Simpan jawaban akhir, bukan bagian penalaran sebelumnya, sebagai riwayat percakapan. Ketika thinking aktif, bahkan permintaan non-thinking lunak tetap mempertahankan blok penalaran; isinya dapat kosong. Penonaktifan tegas menghapus blok tersebut.
Kartu model menjelaskan penggunaan agen berorientasi alat dan merekomendasikan Qwen-Agent untuk templat serta parsing. Untuk asisten glosarium kecil, aplikasi dapat menyediakan satu pencarian hanya-baca, memvalidasi argumennya, menjalankannya, dan mengembalikan entri. Model kemudian dapat menjelaskan istilah dalam gaya yang diminta pengguna. Definisikan hasil alat dan langkah pengganti untuk entri yang tidak tersedia sejak awal. Permintaan alat yang dihasilkan harus ditangani sebagai permintaan, dengan aplikasi tetap bertanggung jawab atas eksekusi dan bukti yang dikembalikan. Panduan Qwen3 juga menjelaskan panggilan alat paralel dan bertahap, dengan argumen yang direpresentasikan sebagai objek serta hasil yang dimasukkan kembali ke percakapan.
Panduan mulai cepat dan panjang keluaran praktik terbaik yang dipublikasikan merupakan panduan generasi, bukan batas API terjamin yang terpisah. Dengan operasi terfokus, pilih catatan akhir ringkas, seperti kalimat yang ditulis ulang beserta nama yang tidak berubah, atau label dan teks yang mendukungnya. Periksa catatan tersebut terhadap materi yang diberikan. Jika tugas berkembang menjadi penjelasan panjang, evaluasi hasil yang lebih panjang pada jenis masukan nyata yang sama, alih-alih mengasumsikan identitas model yang ringkas membuktikan akurasi atau kualitas responsnya. Dokumentasi Qwen3 membahas panjang pesan asisten 38,912 token dalam mode thinking dan 16,384 dalam mode non-thinking pada penjelasan panjang pelatihannya, serta merekomendasikan evaluasi kualitas generasi yang lebih panjang. Angka tersebut berbeda dari jendela konteks keseluruhan dan bukan batas mutlak khusus endpoint.
Kartu yang persis ini menambahkan saran untuk pengulangan signifikan: gunakan pengaturan sampling yang direkomendasikan dan pertimbangkan presence_penalty 1.5. Penalty yang lebih kuat dapat menyebabkan percampuran bahasa atau penurunan kinerja. Mode thinking dipasangkan dengan temperature 0.6, top-p 0.95, top-k 20, dan min-p 0; non-thinking dengan temperature 0.7, top-p 0.8, top-k 20, dan min-p 0. Produsen memperingatkan agar tidak menggunakan greedy decoding dalam mode thinking. Periksa frasa berulang, nama yang dipertahankan, dan label yang dipilih; tolak catatan yang salah format, alih-alih memperlakukan uraian yang terbaca sebagai bukti bahwa format yang diperlukan telah diikuti.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen3-0.6b | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan user, assistant | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF-8
string messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_or_streamed
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.0001 / 1K token Keluaran · Token keluaran $0.001 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "qwen3-0.6b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3-0.6b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3-0.6b', '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 qwen3-0.6b
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
A single focused appointment rewrite\n\nRewrite this note as one friendly sentence for a customer, using at most 25 words: 'Appointment for Polar Fan repair: 14 June, 09:30. Bring the purchase receipt.' Preserve the product name, date, time and receipt instruction. Return only the sentence, with no heading or additional details.One customer-facing sentence of at most 25 words retaining all four facts.Polar Fan, 14 June and 09:30 remain exact, and the receipt instruction is present.