Qwen3-235B-A22B membawa pendekatan penalaran hibrida Qwen3 ke model mixture-of-experts berukuran besar. Kemampuan teksnya mencakup masalah matematika dan logika, pembuatan kode, penulisan kreatif, percakapan berbasis peran, dan kepatuhan terhadap instruksi multi-giliran. Model ini bekerja dalam lebih dari 100 bahasa dan dialek. Untuk diskusi pengembangan produk, berikan persyaratan, contoh konkret, dan keputusan yang Anda perlukan: perbandingan desain, implementasi, atau penjelasan yang dapat digunakan oleh audiens tertentu.
Model ini memiliki total 235 miliar parameter dan mengaktifkan 22 miliar selama pemrosesan. Arsitekturnya memuat 128 pakar, memilih delapan di antaranya, dan memiliki 94 lapisan. Angka ini mengidentifikasi rilis ini; model Qwen3 yang lebih kecil dan edisi FP8 memiliki identitas terpisah. Masukan dan keluaran berupa teks. Tugas rekayasa yang sesuai adalah membandingkan dua algoritma rekonsiliasi menggunakan contoh catatan yang sama, mengidentifikasi batasan yang dipenuhi masing-masing, dan mengembalikan algoritma yang dipilih beserta kasus pengujian. Berikan nama bidang yang sebenarnya, aturan penanganan duplikat, dan total yang diharapkan agar jawaban dapat diperiksa terhadap masalah asli.
Siapkan permintaan sebagai pesan chat, dengan memisahkan materi sumber dari instruksi. Untuk pertanyaan matematika, sertakan pernyataan lengkap, asumsi yang diizinkan, dan notasi, lalu minta jawaban akhir dalam bentuk tertentu. Untuk kode, sertakan fungsi yang relevan, bahasa, masukan yang mewakili kasus penggunaan, dan kegagalan yang diamati. Minta perubahan terkecil yang memiliki dasar dan jelaskan perilaku yang sudah ada yang harus dipertahankan. Untuk penulisan multibahasa, berikan audiens dan daftar istilah, alih-alih meminta terjemahan umum. 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 dan non-thinking adalah mode dari model yang sama ini. Templat chat produsen mengaktifkan thinking secara bawaan; sakelar tegas dapat menonaktifkannya. Ketika thinking tetap aktif, /think dan /no_think menyediakan kendali per giliran, dengan instruksi terbaru yang diutamakan. Mode yang dinonaktifkan secara tegas tidak merespons sakelar lunak tersebut. Dalam antarmuka pengembang, pisahkan jawaban akhir dari bagian penalaran, dan teruskan jawaban akhir ke riwayat percakapan berikutnya. Pilih mode secara sengaja: perdebatan algoritma dan penulisan ulang singkat memerlukan tingkat analisis yang berbeda. Ketika thinking aktif, bahkan permintaan non-thinking lunak tetap mempertahankan blok penalaran; isinya dapat kosong. Penonaktifan tegas menghapus blok tersebut.
Untuk alur agen, produsen merekomendasikan Qwen-Agent untuk templat dan parsing alat. Alat dapat mencakup layanan terhubung atau code interpreter; aplikasi mendefinisikan dan menjalankannya. Misalnya, berikan asisten pencarian inventaris hanya-baca dengan bidang yang didokumentasikan, lalu minta asisten membandingkan stok yang dikembalikan dengan pesanan yang diberikan. Tentukan tujuan alat, argumen yang diterima, bentuk hasil, dan batas izinnya. Wajibkan respons akhir membedakan tindakan yang diusulkan dari hasil alat yang dikonfirmasi. Kemampuan model terkait alat tidak membuat tindakan eksternal terjadi dengan sendirinya. Panduan Qwen3 juga menjelaskan panggilan alat paralel dan bertahap, dengan argumen yang direpresentasikan sebagai objek serta hasil yang dimasukkan kembali ke percakapan.
Konteks native adalah 32,768 token. Produsen memvalidasi 131,072 token dengan perluasan YaRN; hal ini bergantung pada konfigurasi, dan penskalaan statis dapat memengaruhi masukan yang lebih pendek. Anggaran konteks mencakup permintaan maupun respons yang dihasilkan. Untuk spesifikasi panjang, tentukan bagian yang relevan dengan keputusan, beri label, dan sisakan ruang untuk jawaban, alih-alih memenuhi seluruh anggaran dengan teks sumber. Kartu ini merekomendasikan 32,768 token keluaran untuk sebagian besar kueri, bukan menyatakan nilai itu sebagai batas layanan universal. 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 ini juga menjelaskan alokasi posisi bawaan 40,960 token sebagai 8,192 untuk prompt umum ditambah 32,768 untuk keluaran; ini merupakan panduan konfigurasi produsen, yang terpisah dari konteks pelatihan native dan batas endpoint apa pun.
Sampling mode thinking yang direkomendasikan adalah temperature 0.6, top-p 0.95, top-k 20, dan min-p 0; non-thinking menggunakan 0.7, 0.8, 20, dan 0. Produsen merekomendasikan decoding dengan sampling dan memperingatkan bahwa greedy decoding dalam mode thinking dapat menyebabkan pengulangan. Presence penalty yang lebih tinggi juga dapat menimbulkan percampuran bahasa. Buat hasil mudah diperiksa: minta bidang jawaban akhir bernama, tabel keputusan beserta alasan, atau patch kode beserta contoh. Periksa perhitungan terhadap angka yang diberikan, jalankan kode yang diusulkan di lingkungan yang dimaksud, dan tinjau hasil alat sebelum mengambil tindakan.
", "aboutText": "Qwen3-235B-A22B membawa pendekatan penalaran hibrida Qwen3 ke model mixture-of-experts berukuran besar. Kemampuan teksnya mencakup masalah matematika dan logika, pembuatan kode, penulisan kreatif, percakapan berbasis peran, dan kepatuhan terhadap instruksi multi-giliran. Model ini bekerja dalam lebih dari 100 bahasa dan dialek. Untuk diskusi pengembangan produk, berikan persyaratan, contoh konkret, dan keputusan yang Anda perlukan: perbandingan desain, implementasi, atau penjelasan yang dapat digunakan oleh audiens tertentu.\n\nModel ini memiliki total 235 miliar parameter dan mengaktifkan 22 miliar selama pemrosesan. Arsitekturnya memuat 128 pakar, memilih delapan di antaranya, dan memiliki 94 lapisan. Angka ini mengidentifikasi rilis ini; model Qwen3 yang lebih kecil dan edisi FP8 memiliki identitas terpisah. Masukan dan keluaran berupa teks. Tugas rekayasa yang sesuai adalah membandingkan dua algoritma rekonsiliasi menggunakan contoh catatan yang sama, mengidentifikasi batasan yang dipenuhi masing-masing, dan mengembalikan algoritma yang dipilih beserta kasus pengujian. Berikan nama bidang yang sebenarnya, aturan penanganan duplikat, dan total yang diharapkan agar jawaban dapat diperiksa terhadap masalah asli.\n\nSiapkan permintaan sebagai pesan chat, dengan memisahkan materi sumber dari instruksi. Untuk pertanyaan matematika, sertakan pernyataan lengkap, asumsi yang diizinkan, dan notasi, lalu minta jawaban akhir dalam bentuk tertentu. Untuk kode, sertakan fungsi yang relevan, bahasa, masukan yang mewakili kasus penggunaan, dan kegagalan yang diamati. Minta perubahan terkecil yang memiliki dasar dan jelaskan perilaku yang sudah ada yang harus dipertahankan. Untuk penulisan multibahasa, berikan audiens dan daftar istilah, alih-alih meminta terjemahan umum. 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 dan non-thinking adalah mode dari model yang sama ini. Templat chat produsen mengaktifkan thinking secara bawaan; sakelar tegas dapat menonaktifkannya. Ketika thinking tetap aktif, /think dan /no_think menyediakan kendali per giliran, dengan instruksi terbaru yang diutamakan. Mode yang dinonaktifkan secara tegas tidak merespons sakelar lunak tersebut. Dalam antarmuka pengembang, pisahkan jawaban akhir dari bagian penalaran, dan teruskan jawaban akhir ke riwayat percakapan berikutnya. Pilih mode secara sengaja: perdebatan algoritma dan penulisan ulang singkat memerlukan tingkat analisis yang berbeda. Ketika thinking aktif, bahkan permintaan non-thinking lunak tetap mempertahankan blok penalaran; isinya dapat kosong. Penonaktifan tegas menghapus blok tersebut.\n\nUntuk alur agen, produsen merekomendasikan Qwen-Agent untuk templat dan parsing alat. Alat dapat mencakup layanan terhubung atau code interpreter; aplikasi mendefinisikan dan menjalankannya. Misalnya, berikan asisten pencarian inventaris hanya-baca dengan bidang yang didokumentasikan, lalu minta asisten membandingkan stok yang dikembalikan dengan pesanan yang diberikan. Tentukan tujuan alat, argumen yang diterima, bentuk hasil, dan batas izinnya. Wajibkan respons akhir membedakan tindakan yang diusulkan dari hasil alat yang dikonfirmasi. Kemampuan model terkait alat tidak membuat tindakan eksternal terjadi dengan sendirinya. Panduan Qwen3 juga menjelaskan panggilan alat paralel dan bertahap, dengan argumen yang direpresentasikan sebagai objek serta hasil yang dimasukkan kembali ke percakapan.\n\nKonteks native adalah 32,768 token. Produsen memvalidasi 131,072 token dengan perluasan YaRN; hal ini bergantung pada konfigurasi, dan penskalaan statis dapat memengaruhi masukan yang lebih pendek. Anggaran konteks mencakup permintaan maupun respons yang dihasilkan. Untuk spesifikasi panjang, tentukan bagian yang relevan dengan keputusan, beri label, dan sisakan ruang untuk jawaban, alih-alih memenuhi seluruh anggaran dengan teks sumber. Kartu ini merekomendasikan 32,768 token keluaran untuk sebagian besar kueri, bukan menyatakan nilai itu sebagai batas layanan universal. 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 ini juga menjelaskan alokasi posisi bawaan 40,960 token sebagai 8,192 untuk prompt umum ditambah 32,768 untuk keluaran; ini merupakan panduan konfigurasi produsen, yang terpisah dari konteks pelatihan native dan batas endpoint apa pun.\n\nSampling mode thinking yang direkomendasikan adalah temperature 0.6, top-p 0.95, top-k 20, dan min-p 0; non-thinking menggunakan 0.7, 0.8, 20, dan 0. Produsen merekomendasikan decoding dengan sampling dan memperingatkan bahwa greedy decoding dalam mode thinking dapat menyebabkan pengulangan. Presence penalty yang lebih tinggi juga dapat menimbulkan percampuran bahasa. Buat hasil mudah diperiksa: minta bidang jawaban akhir bernama, tabel keputusan beserta alasan, atau patch kode beserta contoh. Periksa perhitungan terhadap angka yang diberikan, jalankan kode yang diusulkan di lingkungan yang dimaksud, dan tinjau hasil alat sebelum mengambil tindakan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Reconcile duplicate transaction records\n\nCompare two reconciliation rules on these records: (id=A, revision=1, amount=10), (A,2,12), (B,1,5). Rule X sums every row; rule Y keeps the highest revision per ID, then sums. Requirement: one current amount per ID; equal-revision disagreements must be flagged. Choose a rule, propose pseudocode and give tests for duplicates and conflicting ties.A rule comparison, chosen algorithm, expected total for the supplied records and conflict tests.Check the algorithm uses ID plus revision semantics and does not silently choose between conflicting equal revisions.qwen3-235b-a22bQwen3-235B-A22B menggabungkan penalaran mendetail dan respons teks langsung dalam satu model mixture-of-experts. Gunakan untuk analisis matematika, kode, penulisan multibahasa, dan asisten yang bekerja dengan alat terhubung.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Qwen3-235B-A22B membawa pendekatan penalaran hibrida Qwen3 ke model mixture-of-experts berukuran besar. Kemampuan teksnya mencakup masalah matematika dan logika, pembuatan kode, penulisan kreatif, percakapan berbasis peran, dan kepatuhan terhadap instruksi multi-giliran. Model ini bekerja dalam lebih dari 100 bahasa dan dialek. Untuk diskusi pengembangan produk, berikan persyaratan, contoh konkret, dan keputusan yang Anda perlukan: perbandingan desain, implementasi, atau penjelasan yang dapat digunakan oleh audiens tertentu.
Model ini memiliki total 235 miliar parameter dan mengaktifkan 22 miliar selama pemrosesan. Arsitekturnya memuat 128 pakar, memilih delapan di antaranya, dan memiliki 94 lapisan. Angka ini mengidentifikasi rilis ini; model Qwen3 yang lebih kecil dan edisi FP8 memiliki identitas terpisah. Masukan dan keluaran berupa teks. Tugas rekayasa yang sesuai adalah membandingkan dua algoritma rekonsiliasi menggunakan contoh catatan yang sama, mengidentifikasi batasan yang dipenuhi masing-masing, dan mengembalikan algoritma yang dipilih beserta kasus pengujian. Berikan nama bidang yang sebenarnya, aturan penanganan duplikat, dan total yang diharapkan agar jawaban dapat diperiksa terhadap masalah asli.
Siapkan permintaan sebagai pesan chat, dengan memisahkan materi sumber dari instruksi. Untuk pertanyaan matematika, sertakan pernyataan lengkap, asumsi yang diizinkan, dan notasi, lalu minta jawaban akhir dalam bentuk tertentu. Untuk kode, sertakan fungsi yang relevan, bahasa, masukan yang mewakili kasus penggunaan, dan kegagalan yang diamati. Minta perubahan terkecil yang memiliki dasar dan jelaskan perilaku yang sudah ada yang harus dipertahankan. Untuk penulisan multibahasa, berikan audiens dan daftar istilah, alih-alih meminta terjemahan umum. 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 dan non-thinking adalah mode dari model yang sama ini. Templat chat produsen mengaktifkan thinking secara bawaan; sakelar tegas dapat menonaktifkannya. Ketika thinking tetap aktif, /think dan /no_think menyediakan kendali per giliran, dengan instruksi terbaru yang diutamakan. Mode yang dinonaktifkan secara tegas tidak merespons sakelar lunak tersebut. Dalam antarmuka pengembang, pisahkan jawaban akhir dari bagian penalaran, dan teruskan jawaban akhir ke riwayat percakapan berikutnya. Pilih mode secara sengaja: perdebatan algoritma dan penulisan ulang singkat memerlukan tingkat analisis yang berbeda. Ketika thinking aktif, bahkan permintaan non-thinking lunak tetap mempertahankan blok penalaran; isinya dapat kosong. Penonaktifan tegas menghapus blok tersebut.
Untuk alur agen, produsen merekomendasikan Qwen-Agent untuk templat dan parsing alat. Alat dapat mencakup layanan terhubung atau code interpreter; aplikasi mendefinisikan dan menjalankannya. Misalnya, berikan asisten pencarian inventaris hanya-baca dengan bidang yang didokumentasikan, lalu minta asisten membandingkan stok yang dikembalikan dengan pesanan yang diberikan. Tentukan tujuan alat, argumen yang diterima, bentuk hasil, dan batas izinnya. Wajibkan respons akhir membedakan tindakan yang diusulkan dari hasil alat yang dikonfirmasi. Kemampuan model terkait alat tidak membuat tindakan eksternal terjadi dengan sendirinya. Panduan Qwen3 juga menjelaskan panggilan alat paralel dan bertahap, dengan argumen yang direpresentasikan sebagai objek serta hasil yang dimasukkan kembali ke percakapan.
Konteks native adalah 32,768 token. Produsen memvalidasi 131,072 token dengan perluasan YaRN; hal ini bergantung pada konfigurasi, dan penskalaan statis dapat memengaruhi masukan yang lebih pendek. Anggaran konteks mencakup permintaan maupun respons yang dihasilkan. Untuk spesifikasi panjang, tentukan bagian yang relevan dengan keputusan, beri label, dan sisakan ruang untuk jawaban, alih-alih memenuhi seluruh anggaran dengan teks sumber. Kartu ini merekomendasikan 32,768 token keluaran untuk sebagian besar kueri, bukan menyatakan nilai itu sebagai batas layanan universal. 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 ini juga menjelaskan alokasi posisi bawaan 40,960 token sebagai 8,192 untuk prompt umum ditambah 32,768 untuk keluaran; ini merupakan panduan konfigurasi produsen, yang terpisah dari konteks pelatihan native dan batas endpoint apa pun.
Sampling mode thinking yang direkomendasikan adalah temperature 0.6, top-p 0.95, top-k 20, dan min-p 0; non-thinking menggunakan 0.7, 0.8, 20, dan 0. Produsen merekomendasikan decoding dengan sampling dan memperingatkan bahwa greedy decoding dalam mode thinking dapat menyebabkan pengulangan. Presence penalty yang lebih tinggi juga dapat menimbulkan percampuran bahasa. Buat hasil mudah diperiksa: minta bidang jawaban akhir bernama, tabel keputusan beserta alasan, atau patch kode beserta contoh. Periksa perhitungan terhadap angka yang diberikan, jalankan kode yang diusulkan di lingkungan yang dimaksud, dan tinjau hasil alat sebelum mengambil tindakan.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen3-235b-a22b | 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 $0.00114 / 1K token Keluaran · Token keluaran $0.00342 / 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": "qwen3-235b-a22b", "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='qwen3-235b-a22b',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='qwen3-235b-a22b',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 qwen3-235b-a22b
Gunakan jalur metode yang ditampilkan di atas.
qwen3-235b-a22bQwen3-235B-A22B menggabungkan penalaran mendetail dan respons teks langsung dalam satu model mixture-of-experts. Gunakan untuk analisis matematika, kode, penulisan multibahasa, dan asisten yang bekerja dengan alat terhubung.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Qwen3-235B-A22B membawa pendekatan penalaran hibrida Qwen3 ke model mixture-of-experts berukuran besar. Kemampuan teksnya mencakup masalah matematika dan logika, pembuatan kode, penulisan kreatif, percakapan berbasis peran, dan kepatuhan terhadap instruksi multi-giliran. Model ini bekerja dalam lebih dari 100 bahasa dan dialek. Untuk diskusi pengembangan produk, berikan persyaratan, contoh konkret, dan keputusan yang Anda perlukan: perbandingan desain, implementasi, atau penjelasan yang dapat digunakan oleh audiens tertentu.
Model ini memiliki total 235 miliar parameter dan mengaktifkan 22 miliar selama pemrosesan. Arsitekturnya memuat 128 pakar, memilih delapan di antaranya, dan memiliki 94 lapisan. Angka ini mengidentifikasi rilis ini; model Qwen3 yang lebih kecil dan edisi FP8 memiliki identitas terpisah. Masukan dan keluaran berupa teks. Tugas rekayasa yang sesuai adalah membandingkan dua algoritma rekonsiliasi menggunakan contoh catatan yang sama, mengidentifikasi batasan yang dipenuhi masing-masing, dan mengembalikan algoritma yang dipilih beserta kasus pengujian. Berikan nama bidang yang sebenarnya, aturan penanganan duplikat, dan total yang diharapkan agar jawaban dapat diperiksa terhadap masalah asli.
Siapkan permintaan sebagai pesan chat, dengan memisahkan materi sumber dari instruksi. Untuk pertanyaan matematika, sertakan pernyataan lengkap, asumsi yang diizinkan, dan notasi, lalu minta jawaban akhir dalam bentuk tertentu. Untuk kode, sertakan fungsi yang relevan, bahasa, masukan yang mewakili kasus penggunaan, dan kegagalan yang diamati. Minta perubahan terkecil yang memiliki dasar dan jelaskan perilaku yang sudah ada yang harus dipertahankan. Untuk penulisan multibahasa, berikan audiens dan daftar istilah, alih-alih meminta terjemahan umum. 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 dan non-thinking adalah mode dari model yang sama ini. Templat chat produsen mengaktifkan thinking secara bawaan; sakelar tegas dapat menonaktifkannya. Ketika thinking tetap aktif, /think dan /no_think menyediakan kendali per giliran, dengan instruksi terbaru yang diutamakan. Mode yang dinonaktifkan secara tegas tidak merespons sakelar lunak tersebut. Dalam antarmuka pengembang, pisahkan jawaban akhir dari bagian penalaran, dan teruskan jawaban akhir ke riwayat percakapan berikutnya. Pilih mode secara sengaja: perdebatan algoritma dan penulisan ulang singkat memerlukan tingkat analisis yang berbeda. Ketika thinking aktif, bahkan permintaan non-thinking lunak tetap mempertahankan blok penalaran; isinya dapat kosong. Penonaktifan tegas menghapus blok tersebut.
Untuk alur agen, produsen merekomendasikan Qwen-Agent untuk templat dan parsing alat. Alat dapat mencakup layanan terhubung atau code interpreter; aplikasi mendefinisikan dan menjalankannya. Misalnya, berikan asisten pencarian inventaris hanya-baca dengan bidang yang didokumentasikan, lalu minta asisten membandingkan stok yang dikembalikan dengan pesanan yang diberikan. Tentukan tujuan alat, argumen yang diterima, bentuk hasil, dan batas izinnya. Wajibkan respons akhir membedakan tindakan yang diusulkan dari hasil alat yang dikonfirmasi. Kemampuan model terkait alat tidak membuat tindakan eksternal terjadi dengan sendirinya. Panduan Qwen3 juga menjelaskan panggilan alat paralel dan bertahap, dengan argumen yang direpresentasikan sebagai objek serta hasil yang dimasukkan kembali ke percakapan.
Konteks native adalah 32,768 token. Produsen memvalidasi 131,072 token dengan perluasan YaRN; hal ini bergantung pada konfigurasi, dan penskalaan statis dapat memengaruhi masukan yang lebih pendek. Anggaran konteks mencakup permintaan maupun respons yang dihasilkan. Untuk spesifikasi panjang, tentukan bagian yang relevan dengan keputusan, beri label, dan sisakan ruang untuk jawaban, alih-alih memenuhi seluruh anggaran dengan teks sumber. Kartu ini merekomendasikan 32,768 token keluaran untuk sebagian besar kueri, bukan menyatakan nilai itu sebagai batas layanan universal. 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 ini juga menjelaskan alokasi posisi bawaan 40,960 token sebagai 8,192 untuk prompt umum ditambah 32,768 untuk keluaran; ini merupakan panduan konfigurasi produsen, yang terpisah dari konteks pelatihan native dan batas endpoint apa pun.
Sampling mode thinking yang direkomendasikan adalah temperature 0.6, top-p 0.95, top-k 20, dan min-p 0; non-thinking menggunakan 0.7, 0.8, 20, dan 0. Produsen merekomendasikan decoding dengan sampling dan memperingatkan bahwa greedy decoding dalam mode thinking dapat menyebabkan pengulangan. Presence penalty yang lebih tinggi juga dapat menimbulkan percampuran bahasa. Buat hasil mudah diperiksa: minta bidang jawaban akhir bernama, tabel keputusan beserta alasan, atau patch kode beserta contoh. Periksa perhitungan terhadap angka yang diberikan, jalankan kode yang diusulkan di lingkungan yang dimaksud, dan tinjau hasil alat sebelum mengambil tindakan.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan qwen3-235b-a22b | 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 $0.00114 / 1K token Keluaran · Token keluaran $0.00342 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "qwen3-235b-a22b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-235b-a22b', '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': 'qwen3-235b-a22b', '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 qwen3-235b-a22b
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Reconcile duplicate transaction records\n\nCompare two reconciliation rules on these records: (id=A, revision=1, amount=10), (A,2,12), (B,1,5). Rule X sums every row; rule Y keeps the highest revision per ID, then sums. Requirement: one current amount per ID; equal-revision disagreements must be flagged. Choose a rule, propose pseudocode and give tests for duplicates and conflicting ties.A rule comparison, chosen algorithm, expected total for the supplied records and conflict tests.Check the algorithm uses ID plus revision semantics and does not silently choose between conflicting equal revisions.