Qwen3-1.7B menggabungkan jawaban langsung dan penalaran dalam model bahasa dense berukuran kecil. Produsen menjelaskan kepatuhan terhadap instruksi, penulisan kreatif, percakapan berbasis peran, matematika, masalah logika, dan kode, dengan lebih dari 100 bahasa dan dialek yang didukung. Model ini menerima teks dan menghasilkan teks. Tugas awal yang berguna adalah transformasi dengan spesifikasi ketat: mengubah pesan pelanggan singkat menjadi balasan sopan, menjelaskan istilah untuk pembaca tertentu, atau mengubah catatan rapat menjadi daftar tindakan.
Rilis yang persis ini memiliki 1.7 miliar parameter, termasuk 1.4 miliar di luar embedding, dan 28 lapisan. Grouped-query attention menggunakan 16 head query dan delapan head key/value. Kartu modelnya sendiri mencantumkan panjang konteks 32,768 token. Itu adalah jendela yang didokumentasikan untuk edisi ini; angka konteks lebih besar dari ukuran Qwen3 lain harus tetap terkait dengan kartu-kartu terpisah tersebut. Jaga teks sumber, instruksi, riwayat percakapan, dan jawaban yang diminta tetap dalam anggaran rangkaian yang relevan. Untuk asisten balasan, berikan pesan yang diterima, fakta latar belakang yang diverifikasi, audiens, dan panjang yang diinginkan, alih-alih seluruh arsip korespondensi yang tidak berkaitan.
Panduan mulai cepat produsen memformat percakapan menggunakan templat chat model. Siapkan tugas kecil yang lengkap dan dapat diperiksa terhadap sumbernya. Untuk contoh daftar tindakan, berikan catatan yang memuat nama, tanggal, dan keputusan, minta satu item per tindakan, dan wajibkan nilai tidak diketahui yang eksplisit ketika penanggung jawab tidak dinyatakan. Untuk contoh pemrograman, berikan satu fungsi dan masukan yang mewakili kasus penggunaan, lalu minta model menjelaskan cabang yang menentukan hasil. Penjelasan yang dikembalikan harus merujuk pada variabel dan kondisi yang sebenarnya, alih-alih memperkenalkan perilaku hipotetis. Integrasi yang dipublikasikan mengharapkan runtime yang mengenali Qwen3; kartu ini memperingatkan bahwa versi Transformers di bawah 4.51.0 tidak mengenali arsitektur yang diperlukan.
Thinking diaktifkan secara bawaan dalam templat yang disediakan. Sakelar tegas memilih keluaran non-thinking tanpa bagian penalaran. Ketika thinking tetap aktif, /think dan /no_think bertindak sebagai instruksi per giliran, dengan instruksi terbaru yang mengendalikan pilihan; keduanya tidak dapat menimpa mode yang dinonaktifkan secara tegas. Gunakan pengaturan langsung untuk penulisan ulang singkat dan pengaturan penalaran ketika jawaban perlu menyelaraskan beberapa kondisi. Pisahkan penalaran sementara dari respons akhir dan pertahankan respons akhir dalam riwayat dialog berikutnya. Ketika thinking aktif, bahkan permintaan non-thinking lunak tetap mempertahankan blok penalaran; isinya dapat kosong. Penonaktifan tegas menghapus blok tersebut.
Penggunaan berbasis agen merupakan bagian dari kumpulan kemampuan yang dipublikasikan. Produsen merekomendasikan Qwen-Agent untuk pemformatan dan parsing alat, sedangkan aplikasi menyediakan dan menjalankan alat tersebut. Asisten dengan cakupan sempit dapat meminta pencarian kamus untuk istilah produk, menerima definisi yang dikonfirmasi, lalu menulis ulang kalimat pengguna. Tentukan argumen yang diizinkan dan bidang yang dikembalikan; periksa keduanya sebelum menggunakan hasil. Teks akhir harus membedakan fakta yang diberikan, informasi yang dikembalikan, dan pertanyaan yang belum terjawab. Panduan Qwen3 juga menjelaskan panggilan alat paralel dan bertahap, dengan argumen yang direpresentasikan sebagai objek serta hasil yang dimasukkan kembali ke percakapan.
Anggaran keluaran perlu sesuai dengan keseluruhan tugas. Kartu model menyediakan contoh generasi dan rekomendasi panjang keluaran; hal tersebut berbeda dari maksimum sisi layanan yang terbukti. Keluaran singkat yang diminta mudah diverifikasi: tentukan bidang, urutan, dan bahasa, serta simpan pesan asli untuk perbandingan. Evaluasi hasil pada kelas masukan yang sebenarnya sebelum mengandalkan generasi panjang. 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.
Ukuran ini memiliki catatan khusus tentang pengulangan yang terus terjadi: kartu menyarankan pengaturan sampling yang direkomendasikan dan presence_penalty 1.5 ketika terjadi pengulangan yang signifikan. Penalty yang lebih tinggi terkadang dapat mencampur bahasa atau menurunkan kinerja. Untuk thinking, temperature yang disarankan adalah 0.6 dengan top-p 0.95, top-k 20, dan min-p 0; untuk non-thinking, temperature adalah 0.7 dengan top-p 0.8, top-k 20, dan min-p 0. Hindari greedy decoding dalam mode penalaran. Periksa nama, tanggal, label, dan klausa berulang, serta validasi keluaran terstruktur apa pun sebelum meneruskannya ke bagian lain dari aplikasi.
", "aboutText": "Qwen3-1.7B menggabungkan jawaban langsung dan penalaran dalam model bahasa dense berukuran kecil. Produsen menjelaskan kepatuhan terhadap instruksi, penulisan kreatif, percakapan berbasis peran, matematika, masalah logika, dan kode, dengan lebih dari 100 bahasa dan dialek yang didukung. Model ini menerima teks dan menghasilkan teks. Tugas awal yang berguna adalah transformasi dengan spesifikasi ketat: mengubah pesan pelanggan singkat menjadi balasan sopan, menjelaskan istilah untuk pembaca tertentu, atau mengubah catatan rapat menjadi daftar tindakan.\n\nRilis yang persis ini memiliki 1.7 miliar parameter, termasuk 1.4 miliar di luar embedding, dan 28 lapisan. Grouped-query attention menggunakan 16 head query dan delapan head key/value. Kartu modelnya sendiri mencantumkan panjang konteks 32,768 token. Itu adalah jendela yang didokumentasikan untuk edisi ini; angka konteks lebih besar dari ukuran Qwen3 lain harus tetap terkait dengan kartu-kartu terpisah tersebut. Jaga teks sumber, instruksi, riwayat percakapan, dan jawaban yang diminta tetap dalam anggaran rangkaian yang relevan. Untuk asisten balasan, berikan pesan yang diterima, fakta latar belakang yang diverifikasi, audiens, dan panjang yang diinginkan, alih-alih seluruh arsip korespondensi yang tidak berkaitan.\n\nPanduan mulai cepat produsen memformat percakapan menggunakan templat chat model. Siapkan tugas kecil yang lengkap dan dapat diperiksa terhadap sumbernya. Untuk contoh daftar tindakan, berikan catatan yang memuat nama, tanggal, dan keputusan, minta satu item per tindakan, dan wajibkan nilai tidak diketahui yang eksplisit ketika penanggung jawab tidak dinyatakan. Untuk contoh pemrograman, berikan satu fungsi dan masukan yang mewakili kasus penggunaan, lalu minta model menjelaskan cabang yang menentukan hasil. Penjelasan yang dikembalikan harus merujuk pada variabel dan kondisi yang sebenarnya, alih-alih memperkenalkan perilaku hipotetis. 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\nThinking diaktifkan secara bawaan dalam templat yang disediakan. Sakelar tegas memilih keluaran non-thinking tanpa bagian penalaran. Ketika thinking tetap aktif, /think dan /no_think bertindak sebagai instruksi per giliran, dengan instruksi terbaru yang mengendalikan pilihan; keduanya tidak dapat menimpa mode yang dinonaktifkan secara tegas. Gunakan pengaturan langsung untuk penulisan ulang singkat dan pengaturan penalaran ketika jawaban perlu menyelaraskan beberapa kondisi. Pisahkan penalaran sementara dari respons akhir dan pertahankan respons akhir dalam riwayat dialog berikutnya. Ketika thinking aktif, bahkan permintaan non-thinking lunak tetap mempertahankan blok penalaran; isinya dapat kosong. Penonaktifan tegas menghapus blok tersebut.\n\nPenggunaan berbasis agen merupakan bagian dari kumpulan kemampuan yang dipublikasikan. Produsen merekomendasikan Qwen-Agent untuk pemformatan dan parsing alat, sedangkan aplikasi menyediakan dan menjalankan alat tersebut. Asisten dengan cakupan sempit dapat meminta pencarian kamus untuk istilah produk, menerima definisi yang dikonfirmasi, lalu menulis ulang kalimat pengguna. Tentukan argumen yang diizinkan dan bidang yang dikembalikan; periksa keduanya sebelum menggunakan hasil. Teks akhir harus membedakan fakta yang diberikan, informasi yang dikembalikan, dan pertanyaan yang belum terjawab. Panduan Qwen3 juga menjelaskan panggilan alat paralel dan bertahap, dengan argumen yang direpresentasikan sebagai objek serta hasil yang dimasukkan kembali ke percakapan.\n\nAnggaran keluaran perlu sesuai dengan keseluruhan tugas. Kartu model menyediakan contoh generasi dan rekomendasi panjang keluaran; hal tersebut berbeda dari maksimum sisi layanan yang terbukti. Keluaran singkat yang diminta mudah diverifikasi: tentukan bidang, urutan, dan bahasa, serta simpan pesan asli untuk perbandingan. Evaluasi hasil pada kelas masukan yang sebenarnya sebelum mengandalkan generasi panjang. 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\nUkuran ini memiliki catatan khusus tentang pengulangan yang terus terjadi: kartu menyarankan pengaturan sampling yang direkomendasikan dan presence_penalty 1.5 ketika terjadi pengulangan yang signifikan. Penalty yang lebih tinggi terkadang dapat mencampur bahasa atau menurunkan kinerja. Untuk thinking, temperature yang disarankan adalah 0.6 dengan top-p 0.95, top-k 20, dan min-p 0; untuk non-thinking, temperature adalah 0.7 dengan top-p 0.8, top-k 20, dan min-p 0. Hindari greedy decoding dalam mode penalaran. Periksa nama, tanggal, label, dan klausa berulang, serta validasi keluaran terstruktur apa pun sebelum meneruskannya ke bagian lain dari aplikasi.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Convert a short note into actions\n\nTurn this note into an action list: 'Mina will order six folders by Thursday. Leo will check the cupboard today. Someone must print the welcome sheets before Friday, but we have not assigned that task.' Return one row per action with owner, task and deadline; use 'unassigned' where needed.Three action rows retaining names, deadlines and the unassigned printing owner.Do not assign the printing task to Mina or Leo without evidence in the note.qwen3-1.7bQwen3-1.7B adalah model teks dense ringkas dengan mode respons langsung dan thinking. Model ini mendukung dialog multibahasa, penulisan, kode, dan instruksi berorientasi alat, dengan konteks 32,768 token yang didokumentasikan untuk rilis yang persis ini.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Qwen3-1.7B menggabungkan jawaban langsung dan penalaran dalam model bahasa dense berukuran kecil. Produsen menjelaskan kepatuhan terhadap instruksi, penulisan kreatif, percakapan berbasis peran, matematika, masalah logika, dan kode, dengan lebih dari 100 bahasa dan dialek yang didukung. Model ini menerima teks dan menghasilkan teks. Tugas awal yang berguna adalah transformasi dengan spesifikasi ketat: mengubah pesan pelanggan singkat menjadi balasan sopan, menjelaskan istilah untuk pembaca tertentu, atau mengubah catatan rapat menjadi daftar tindakan.
Rilis yang persis ini memiliki 1.7 miliar parameter, termasuk 1.4 miliar di luar embedding, dan 28 lapisan. Grouped-query attention menggunakan 16 head query dan delapan head key/value. Kartu modelnya sendiri mencantumkan panjang konteks 32,768 token. Itu adalah jendela yang didokumentasikan untuk edisi ini; angka konteks lebih besar dari ukuran Qwen3 lain harus tetap terkait dengan kartu-kartu terpisah tersebut. Jaga teks sumber, instruksi, riwayat percakapan, dan jawaban yang diminta tetap dalam anggaran rangkaian yang relevan. Untuk asisten balasan, berikan pesan yang diterima, fakta latar belakang yang diverifikasi, audiens, dan panjang yang diinginkan, alih-alih seluruh arsip korespondensi yang tidak berkaitan.
Panduan mulai cepat produsen memformat percakapan menggunakan templat chat model. Siapkan tugas kecil yang lengkap dan dapat diperiksa terhadap sumbernya. Untuk contoh daftar tindakan, berikan catatan yang memuat nama, tanggal, dan keputusan, minta satu item per tindakan, dan wajibkan nilai tidak diketahui yang eksplisit ketika penanggung jawab tidak dinyatakan. Untuk contoh pemrograman, berikan satu fungsi dan masukan yang mewakili kasus penggunaan, lalu minta model menjelaskan cabang yang menentukan hasil. Penjelasan yang dikembalikan harus merujuk pada variabel dan kondisi yang sebenarnya, alih-alih memperkenalkan perilaku hipotetis. Integrasi yang dipublikasikan mengharapkan runtime yang mengenali Qwen3; kartu ini memperingatkan bahwa versi Transformers di bawah 4.51.0 tidak mengenali arsitektur yang diperlukan.
Thinking diaktifkan secara bawaan dalam templat yang disediakan. Sakelar tegas memilih keluaran non-thinking tanpa bagian penalaran. Ketika thinking tetap aktif, /think dan /no_think bertindak sebagai instruksi per giliran, dengan instruksi terbaru yang mengendalikan pilihan; keduanya tidak dapat menimpa mode yang dinonaktifkan secara tegas. Gunakan pengaturan langsung untuk penulisan ulang singkat dan pengaturan penalaran ketika jawaban perlu menyelaraskan beberapa kondisi. Pisahkan penalaran sementara dari respons akhir dan pertahankan respons akhir dalam riwayat dialog berikutnya. Ketika thinking aktif, bahkan permintaan non-thinking lunak tetap mempertahankan blok penalaran; isinya dapat kosong. Penonaktifan tegas menghapus blok tersebut.
Penggunaan berbasis agen merupakan bagian dari kumpulan kemampuan yang dipublikasikan. Produsen merekomendasikan Qwen-Agent untuk pemformatan dan parsing alat, sedangkan aplikasi menyediakan dan menjalankan alat tersebut. Asisten dengan cakupan sempit dapat meminta pencarian kamus untuk istilah produk, menerima definisi yang dikonfirmasi, lalu menulis ulang kalimat pengguna. Tentukan argumen yang diizinkan dan bidang yang dikembalikan; periksa keduanya sebelum menggunakan hasil. Teks akhir harus membedakan fakta yang diberikan, informasi yang dikembalikan, dan pertanyaan yang belum terjawab. Panduan Qwen3 juga menjelaskan panggilan alat paralel dan bertahap, dengan argumen yang direpresentasikan sebagai objek serta hasil yang dimasukkan kembali ke percakapan.
Anggaran keluaran perlu sesuai dengan keseluruhan tugas. Kartu model menyediakan contoh generasi dan rekomendasi panjang keluaran; hal tersebut berbeda dari maksimum sisi layanan yang terbukti. Keluaran singkat yang diminta mudah diverifikasi: tentukan bidang, urutan, dan bahasa, serta simpan pesan asli untuk perbandingan. Evaluasi hasil pada kelas masukan yang sebenarnya sebelum mengandalkan generasi panjang. 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.
Ukuran ini memiliki catatan khusus tentang pengulangan yang terus terjadi: kartu menyarankan pengaturan sampling yang direkomendasikan dan presence_penalty 1.5 ketika terjadi pengulangan yang signifikan. Penalty yang lebih tinggi terkadang dapat mencampur bahasa atau menurunkan kinerja. Untuk thinking, temperature yang disarankan adalah 0.6 dengan top-p 0.95, top-k 20, dan min-p 0; untuk non-thinking, temperature adalah 0.7 dengan top-p 0.8, top-k 20, dan min-p 0. Hindari greedy decoding dalam mode penalaran. Periksa nama, tanggal, label, dan klausa berulang, serta validasi keluaran terstruktur apa pun sebelum meneruskannya ke bagian lain dari aplikasi.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen3-1.7b | 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": "qwen3-1.7b", "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='qwen3-1.7b',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='qwen3-1.7b',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 qwen3-1.7b
Gunakan jalur metode yang ditampilkan di atas.
qwen3-1.7bQwen3-1.7B adalah model teks dense ringkas dengan mode respons langsung dan thinking. Model ini mendukung dialog multibahasa, penulisan, kode, dan instruksi berorientasi alat, dengan konteks 32,768 token yang didokumentasikan untuk rilis yang persis ini.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Qwen3-1.7B menggabungkan jawaban langsung dan penalaran dalam model bahasa dense berukuran kecil. Produsen menjelaskan kepatuhan terhadap instruksi, penulisan kreatif, percakapan berbasis peran, matematika, masalah logika, dan kode, dengan lebih dari 100 bahasa dan dialek yang didukung. Model ini menerima teks dan menghasilkan teks. Tugas awal yang berguna adalah transformasi dengan spesifikasi ketat: mengubah pesan pelanggan singkat menjadi balasan sopan, menjelaskan istilah untuk pembaca tertentu, atau mengubah catatan rapat menjadi daftar tindakan.
Rilis yang persis ini memiliki 1.7 miliar parameter, termasuk 1.4 miliar di luar embedding, dan 28 lapisan. Grouped-query attention menggunakan 16 head query dan delapan head key/value. Kartu modelnya sendiri mencantumkan panjang konteks 32,768 token. Itu adalah jendela yang didokumentasikan untuk edisi ini; angka konteks lebih besar dari ukuran Qwen3 lain harus tetap terkait dengan kartu-kartu terpisah tersebut. Jaga teks sumber, instruksi, riwayat percakapan, dan jawaban yang diminta tetap dalam anggaran rangkaian yang relevan. Untuk asisten balasan, berikan pesan yang diterima, fakta latar belakang yang diverifikasi, audiens, dan panjang yang diinginkan, alih-alih seluruh arsip korespondensi yang tidak berkaitan.
Panduan mulai cepat produsen memformat percakapan menggunakan templat chat model. Siapkan tugas kecil yang lengkap dan dapat diperiksa terhadap sumbernya. Untuk contoh daftar tindakan, berikan catatan yang memuat nama, tanggal, dan keputusan, minta satu item per tindakan, dan wajibkan nilai tidak diketahui yang eksplisit ketika penanggung jawab tidak dinyatakan. Untuk contoh pemrograman, berikan satu fungsi dan masukan yang mewakili kasus penggunaan, lalu minta model menjelaskan cabang yang menentukan hasil. Penjelasan yang dikembalikan harus merujuk pada variabel dan kondisi yang sebenarnya, alih-alih memperkenalkan perilaku hipotetis. Integrasi yang dipublikasikan mengharapkan runtime yang mengenali Qwen3; kartu ini memperingatkan bahwa versi Transformers di bawah 4.51.0 tidak mengenali arsitektur yang diperlukan.
Thinking diaktifkan secara bawaan dalam templat yang disediakan. Sakelar tegas memilih keluaran non-thinking tanpa bagian penalaran. Ketika thinking tetap aktif, /think dan /no_think bertindak sebagai instruksi per giliran, dengan instruksi terbaru yang mengendalikan pilihan; keduanya tidak dapat menimpa mode yang dinonaktifkan secara tegas. Gunakan pengaturan langsung untuk penulisan ulang singkat dan pengaturan penalaran ketika jawaban perlu menyelaraskan beberapa kondisi. Pisahkan penalaran sementara dari respons akhir dan pertahankan respons akhir dalam riwayat dialog berikutnya. Ketika thinking aktif, bahkan permintaan non-thinking lunak tetap mempertahankan blok penalaran; isinya dapat kosong. Penonaktifan tegas menghapus blok tersebut.
Penggunaan berbasis agen merupakan bagian dari kumpulan kemampuan yang dipublikasikan. Produsen merekomendasikan Qwen-Agent untuk pemformatan dan parsing alat, sedangkan aplikasi menyediakan dan menjalankan alat tersebut. Asisten dengan cakupan sempit dapat meminta pencarian kamus untuk istilah produk, menerima definisi yang dikonfirmasi, lalu menulis ulang kalimat pengguna. Tentukan argumen yang diizinkan dan bidang yang dikembalikan; periksa keduanya sebelum menggunakan hasil. Teks akhir harus membedakan fakta yang diberikan, informasi yang dikembalikan, dan pertanyaan yang belum terjawab. Panduan Qwen3 juga menjelaskan panggilan alat paralel dan bertahap, dengan argumen yang direpresentasikan sebagai objek serta hasil yang dimasukkan kembali ke percakapan.
Anggaran keluaran perlu sesuai dengan keseluruhan tugas. Kartu model menyediakan contoh generasi dan rekomendasi panjang keluaran; hal tersebut berbeda dari maksimum sisi layanan yang terbukti. Keluaran singkat yang diminta mudah diverifikasi: tentukan bidang, urutan, dan bahasa, serta simpan pesan asli untuk perbandingan. Evaluasi hasil pada kelas masukan yang sebenarnya sebelum mengandalkan generasi panjang. 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.
Ukuran ini memiliki catatan khusus tentang pengulangan yang terus terjadi: kartu menyarankan pengaturan sampling yang direkomendasikan dan presence_penalty 1.5 ketika terjadi pengulangan yang signifikan. Penalty yang lebih tinggi terkadang dapat mencampur bahasa atau menurunkan kinerja. Untuk thinking, temperature yang disarankan adalah 0.6 dengan top-p 0.95, top-k 20, dan min-p 0; untuk non-thinking, temperature adalah 0.7 dengan top-p 0.8, top-k 20, dan min-p 0. Hindari greedy decoding dalam mode penalaran. Periksa nama, tanggal, label, dan klausa berulang, serta validasi keluaran terstruktur apa pun sebelum meneruskannya ke bagian lain dari aplikasi.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen3-1.7b | 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 $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "qwen3-1.7b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-1.7b', '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': 'qwen3-1.7b', '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 qwen3-1.7b
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Convert a short note into actions\n\nTurn this note into an action list: 'Mina will order six folders by Thursday. Leo will check the cupboard today. Someone must print the welcome sheets before Friday, but we have not assigned that task.' Return one row per action with owner, task and deadline; use 'unassigned' where needed.Three action rows retaining names, deadlines and the unassigned printing owner.Do not assign the printing task to Mina or Leo without evidence in the note.