Qwen3-235B-A22B-Thinking-2507 sviluppa il ramo di ragionamento di Qwen3 per compiti complessi di logica, matematica, scienze e programmazione. Qwen identifica inoltre rispetto delle istruzioni, uso di strumenti, generazione di testo e comprensione di contesti lunghi come ambiti migliorati in questa edizione. Accetta conversazioni testuali e genera testo. Un incarico utile fornisce problema completo, evidenze pertinenti, vincoli e forma precisa del risultato finale: una dimostrazione, un piano di implementazione, un programma corretto o una decisione sostenuta dai documenti forniti.
Il modello usa un’architettura mixture-of-experts con 235 miliardi di parametri totali e 22 miliardi attivati per token. Il contesto nativo è 262.144 token. Lo spazio è utile per riunire specifiche correlate, file sorgente o estratti di ricerca in una sola conversazione lasciando spazio a ragionamento e risposta finale. Etichetta documenti e blocchi di codice, indica quali fonti hanno precedenza e segnala le sezioni importanti. Per esempio, un incarico di analisi software può fornire comportamento errato, comportamento previsto, funzioni pertinenti e vincoli, poi chiedere una correzione proposta con le ipotesi elencate separatamente.
Questa è un’edizione in sola modalità Thinking. Non passa alla modalità Non-Thinking del modello Qwen3 originale. Il template di chat ufficiale avvia automaticamente la sezione di ragionamento, quindi un output può contenere un marcatore di chiusura </think> senza quello di apertura nel testo generato. L’esempio del produttore separa la sezione dalla risposta finale. Per un compito matematico, Qwen consiglia di chiedere ragionamento passo per passo e risposta finale dentro \\boxed{}. Per un compito a scelta multipla, suggerisce un campo di risposta con la sola lettera scelta. Queste istruzioni rendono più semplice leggere o usare il risultato dopo il ragionamento.
Le indicazioni di generazione Qwen consigliano temperature 0,6, top-p 0,95, top-k 20 e min-p 0. Raccomandano uno spazio di output di 32.768 token per la maggior parte delle domande e descrivono 81.920 token per problemi matematici e di programmazione particolarmente impegnativi. Sono raccomandazioni del produttore per la generazione, non un limite di risposta garantito separato. Un ragionamento più lungo richiede spazio prima della risposta finale: uno spazio troppo piccolo può terminare la risposta prima della conclusione richiesta. Nei turni successivi, le indicazioni ufficiali mantengono la risposta finale nella cronologia omettendo il contenuto di ragionamento precedente.
Per il lavoro con agenti, Qwen consiglia Qwen-Agent, che fornisce template e parsing delle chiamate a strumenti. Gli esempi combinano strumenti definiti, come recupero di informazioni e interprete di codice, con la conversazione del modello. Prepara le descrizioni degli strumenti disponibili, la condizione di arresto del compito e il risultato richiesto prima di chiedere di pianificare l’uso degli strumenti. Un incarico pratico di ricerca può chiedere di raccogliere evidenze specificate, confrontare spiegazioni concorrenti e restituire una conclusione con evidenze organizzate per fonte. Le chiamate descrivono lavoro da eseguire per un’applicazione; il solo testo del modello non è l’azione esterna o il suo risultato.
La scheda ufficiale descrive anche un’estensione facoltativa del contesto a circa un milione di token usando una configurazione separata, Dual Chunk Attention e attenzione sparsa. È distinta dalla finestra nativa di 262.144 token e dipende dall’implementazione prescritta e da risorse di memoria sostanziali. Il produttore avverte che vincoli di contesto e memoria possono richiedere sequenze più corte. Per il normale lavoro con documenti lunghi, organizza l’input intorno alla domanda effettiva, conserva i confini documentali e chiedi una sintesi finale concisa che identifichi evidenze irrisolte. Questo mantiene il risultato utile separato dal processo di ragionamento potenzialmente lungo.
", "aboutText": "Qwen3-235B-A22B-Thinking-2507 sviluppa il ramo di ragionamento di Qwen3 per compiti complessi di logica, matematica, scienze e programmazione. Qwen identifica inoltre rispetto delle istruzioni, uso di strumenti, generazione di testo e comprensione di contesti lunghi come ambiti migliorati in questa edizione. Accetta conversazioni testuali e genera testo. Un incarico utile fornisce problema completo, evidenze pertinenti, vincoli e forma precisa del risultato finale: una dimostrazione, un piano di implementazione, un programma corretto o una decisione sostenuta dai documenti forniti.\n\nIl modello usa un’architettura mixture-of-experts con 235 miliardi di parametri totali e 22 miliardi attivati per token. Il contesto nativo è 262.144 token. Lo spazio è utile per riunire specifiche correlate, file sorgente o estratti di ricerca in una sola conversazione lasciando spazio a ragionamento e risposta finale. Etichetta documenti e blocchi di codice, indica quali fonti hanno precedenza e segnala le sezioni importanti. Per esempio, un incarico di analisi software può fornire comportamento errato, comportamento previsto, funzioni pertinenti e vincoli, poi chiedere una correzione proposta con le ipotesi elencate separatamente.\n\nQuesta è un’edizione in sola modalità Thinking. Non passa alla modalità Non-Thinking del modello Qwen3 originale. Il template di chat ufficiale avvia automaticamente la sezione di ragionamento, quindi un output può contenere un marcatore di chiusura senza quello di apertura nel testo generato. L’esempio del produttore separa la sezione dalla risposta finale. Per un compito matematico, Qwen consiglia di chiedere ragionamento passo per passo e risposta finale dentro \\boxed{}. Per un compito a scelta multipla, suggerisce un campo di risposta con la sola lettera scelta. Queste istruzioni rendono più semplice leggere o usare il risultato dopo il ragionamento.\n\nLe indicazioni di generazione Qwen consigliano temperature 0,6, top-p 0,95, top-k 20 e min-p 0. Raccomandano uno spazio di output di 32.768 token per la maggior parte delle domande e descrivono 81.920 token per problemi matematici e di programmazione particolarmente impegnativi. Sono raccomandazioni del produttore per la generazione, non un limite di risposta garantito separato. Un ragionamento più lungo richiede spazio prima della risposta finale: uno spazio troppo piccolo può terminare la risposta prima della conclusione richiesta. Nei turni successivi, le indicazioni ufficiali mantengono la risposta finale nella cronologia omettendo il contenuto di ragionamento precedente.\n\nPer il lavoro con agenti, Qwen consiglia Qwen-Agent, che fornisce template e parsing delle chiamate a strumenti. Gli esempi combinano strumenti definiti, come recupero di informazioni e interprete di codice, con la conversazione del modello. Prepara le descrizioni degli strumenti disponibili, la condizione di arresto del compito e il risultato richiesto prima di chiedere di pianificare l’uso degli strumenti. Un incarico pratico di ricerca può chiedere di raccogliere evidenze specificate, confrontare spiegazioni concorrenti e restituire una conclusione con evidenze organizzate per fonte. Le chiamate descrivono lavoro da eseguire per un’applicazione; il solo testo del modello non è l’azione esterna o il suo risultato.\n\nLa scheda ufficiale descrive anche un’estensione facoltativa del contesto a circa un milione di token usando una configurazione separata, Dual Chunk Attention e attenzione sparsa. È distinta dalla finestra nativa di 262.144 token e dipende dall’implementazione prescritta e da risorse di memoria sostanziali. Il produttore avverte che vincoli di contesto e memoria possono richiedere sequenze più corte. Per il normale lavoro con documenti lunghi, organizza l’input intorno alla domanda effettiva, conserva i confini documentali e chiedi una sintesi finale concisa che identifichi evidenze irrisolte. Questo mantiene il risultato utile separato dal processo di ragionamento potenzialmente lungo.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Check a constrained allocation\n\nAllocate 17 identical work units to two teams. Team A must receive at least 6 and an even number; Team B must receive at least 5. Minimize the difference between team totals. List the valid allocations nearest equality, select the best and explain why no smaller difference is possible under the parity rule.A compact allocation analysis with feasible candidates, selected totals and a checkable optimality argument.Verify the totals sum to 17, A is even, both minimums hold and the comparison includes both sides of equality.qwen/qwen3-235b-a22b-thinking-2507Qwen3-235B-A22B-Thinking-2507 è il modello testuale di Qwen dedicato al solo ragionamento per matematica, scienze, programmazione e analisi di documenti lunghi impegnative. Il contesto nativo di 262.144 token e il ragionamento esteso lo rendono adatto a problemi che richiedono più passaggi collegati.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Qwen3-235B-A22B-Thinking-2507 sviluppa il ramo di ragionamento di Qwen3 per compiti complessi di logica, matematica, scienze e programmazione. Qwen identifica inoltre rispetto delle istruzioni, uso di strumenti, generazione di testo e comprensione di contesti lunghi come ambiti migliorati in questa edizione. Accetta conversazioni testuali e genera testo. Un incarico utile fornisce problema completo, evidenze pertinenti, vincoli e forma precisa del risultato finale: una dimostrazione, un piano di implementazione, un programma corretto o una decisione sostenuta dai documenti forniti.
Il modello usa un’architettura mixture-of-experts con 235 miliardi di parametri totali e 22 miliardi attivati per token. Il contesto nativo è 262.144 token. Lo spazio è utile per riunire specifiche correlate, file sorgente o estratti di ricerca in una sola conversazione lasciando spazio a ragionamento e risposta finale. Etichetta documenti e blocchi di codice, indica quali fonti hanno precedenza e segnala le sezioni importanti. Per esempio, un incarico di analisi software può fornire comportamento errato, comportamento previsto, funzioni pertinenti e vincoli, poi chiedere una correzione proposta con le ipotesi elencate separatamente.
Questa è un’edizione in sola modalità Thinking. Non passa alla modalità Non-Thinking del modello Qwen3 originale. Il template di chat ufficiale avvia automaticamente la sezione di ragionamento, quindi un output può contenere un marcatore di chiusura </think> senza quello di apertura nel testo generato. L’esempio del produttore separa la sezione dalla risposta finale. Per un compito matematico, Qwen consiglia di chiedere ragionamento passo per passo e risposta finale dentro \\boxed{}. Per un compito a scelta multipla, suggerisce un campo di risposta con la sola lettera scelta. Queste istruzioni rendono più semplice leggere o usare il risultato dopo il ragionamento.
Le indicazioni di generazione Qwen consigliano temperature 0,6, top-p 0,95, top-k 20 e min-p 0. Raccomandano uno spazio di output di 32.768 token per la maggior parte delle domande e descrivono 81.920 token per problemi matematici e di programmazione particolarmente impegnativi. Sono raccomandazioni del produttore per la generazione, non un limite di risposta garantito separato. Un ragionamento più lungo richiede spazio prima della risposta finale: uno spazio troppo piccolo può terminare la risposta prima della conclusione richiesta. Nei turni successivi, le indicazioni ufficiali mantengono la risposta finale nella cronologia omettendo il contenuto di ragionamento precedente.
Per il lavoro con agenti, Qwen consiglia Qwen-Agent, che fornisce template e parsing delle chiamate a strumenti. Gli esempi combinano strumenti definiti, come recupero di informazioni e interprete di codice, con la conversazione del modello. Prepara le descrizioni degli strumenti disponibili, la condizione di arresto del compito e il risultato richiesto prima di chiedere di pianificare l’uso degli strumenti. Un incarico pratico di ricerca può chiedere di raccogliere evidenze specificate, confrontare spiegazioni concorrenti e restituire una conclusione con evidenze organizzate per fonte. Le chiamate descrivono lavoro da eseguire per un’applicazione; il solo testo del modello non è l’azione esterna o il suo risultato.
La scheda ufficiale descrive anche un’estensione facoltativa del contesto a circa un milione di token usando una configurazione separata, Dual Chunk Attention e attenzione sparsa. È distinta dalla finestra nativa di 262.144 token e dipende dall’implementazione prescritta e da risorse di memoria sostanziali. Il produttore avverte che vincoli di contesto e memoria possono richiedere sequenze più corte. Per il normale lavoro con documenti lunghi, organizza l’input intorno alla domanda effettiva, conserva i confini documentali e chiedi una sintesi finale concisa che identifichi evidenze irrisolte. Questo mantiene il risultato utile separato dal processo di ragionamento potenzialmente lungo.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen/qwen3-235b-a22b-thinking-2507 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti function Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomodalities | Tipostring[] | RequisitoFacoltativo | Valori e limiti text | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options viene rifiutato su questa rotta testuale Ultra | Predefinito— |
Campocache_control.ttl | Tipostring | RequisitoFacoltativo | Valori e limiti Condizioni: 1h viene rifiutato nelle posizioni effettive della cache dei prompt | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrocontrol_scope | ContrattoSpecifico del modello; gli strumenti di funzione dell’utente differiscono dagli strumenti ospitati |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0009 / 1K token Output · Token in output $0.007 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0009 / 1K token Output · Token in output $0.007 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-235b-a22b-thinking-2507", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3-235b-a22b-thinking-2507',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3-235b-a22b-thinking-2507',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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra qwen/qwen3-235b-a22b-thinking-2507
Usa i percorsi dei metodi indicati sopra.
qwen/qwen3-235b-a22b-thinking-2507Qwen3-235B-A22B-Thinking-2507 è il modello testuale di Qwen dedicato al solo ragionamento per matematica, scienze, programmazione e analisi di documenti lunghi impegnative. Il contesto nativo di 262.144 token e il ragionamento esteso lo rendono adatto a problemi che richiedono più passaggi collegati.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Qwen3-235B-A22B-Thinking-2507 sviluppa il ramo di ragionamento di Qwen3 per compiti complessi di logica, matematica, scienze e programmazione. Qwen identifica inoltre rispetto delle istruzioni, uso di strumenti, generazione di testo e comprensione di contesti lunghi come ambiti migliorati in questa edizione. Accetta conversazioni testuali e genera testo. Un incarico utile fornisce problema completo, evidenze pertinenti, vincoli e forma precisa del risultato finale: una dimostrazione, un piano di implementazione, un programma corretto o una decisione sostenuta dai documenti forniti.
Il modello usa un’architettura mixture-of-experts con 235 miliardi di parametri totali e 22 miliardi attivati per token. Il contesto nativo è 262.144 token. Lo spazio è utile per riunire specifiche correlate, file sorgente o estratti di ricerca in una sola conversazione lasciando spazio a ragionamento e risposta finale. Etichetta documenti e blocchi di codice, indica quali fonti hanno precedenza e segnala le sezioni importanti. Per esempio, un incarico di analisi software può fornire comportamento errato, comportamento previsto, funzioni pertinenti e vincoli, poi chiedere una correzione proposta con le ipotesi elencate separatamente.
Questa è un’edizione in sola modalità Thinking. Non passa alla modalità Non-Thinking del modello Qwen3 originale. Il template di chat ufficiale avvia automaticamente la sezione di ragionamento, quindi un output può contenere un marcatore di chiusura </think> senza quello di apertura nel testo generato. L’esempio del produttore separa la sezione dalla risposta finale. Per un compito matematico, Qwen consiglia di chiedere ragionamento passo per passo e risposta finale dentro \\boxed{}. Per un compito a scelta multipla, suggerisce un campo di risposta con la sola lettera scelta. Queste istruzioni rendono più semplice leggere o usare il risultato dopo il ragionamento.
Le indicazioni di generazione Qwen consigliano temperature 0,6, top-p 0,95, top-k 20 e min-p 0. Raccomandano uno spazio di output di 32.768 token per la maggior parte delle domande e descrivono 81.920 token per problemi matematici e di programmazione particolarmente impegnativi. Sono raccomandazioni del produttore per la generazione, non un limite di risposta garantito separato. Un ragionamento più lungo richiede spazio prima della risposta finale: uno spazio troppo piccolo può terminare la risposta prima della conclusione richiesta. Nei turni successivi, le indicazioni ufficiali mantengono la risposta finale nella cronologia omettendo il contenuto di ragionamento precedente.
Per il lavoro con agenti, Qwen consiglia Qwen-Agent, che fornisce template e parsing delle chiamate a strumenti. Gli esempi combinano strumenti definiti, come recupero di informazioni e interprete di codice, con la conversazione del modello. Prepara le descrizioni degli strumenti disponibili, la condizione di arresto del compito e il risultato richiesto prima di chiedere di pianificare l’uso degli strumenti. Un incarico pratico di ricerca può chiedere di raccogliere evidenze specificate, confrontare spiegazioni concorrenti e restituire una conclusione con evidenze organizzate per fonte. Le chiamate descrivono lavoro da eseguire per un’applicazione; il solo testo del modello non è l’azione esterna o il suo risultato.
La scheda ufficiale descrive anche un’estensione facoltativa del contesto a circa un milione di token usando una configurazione separata, Dual Chunk Attention e attenzione sparsa. È distinta dalla finestra nativa di 262.144 token e dipende dall’implementazione prescritta e da risorse di memoria sostanziali. Il produttore avverte che vincoli di contesto e memoria possono richiedere sequenze più corte. Per il normale lavoro con documenti lunghi, organizza l’input intorno alla domanda effettiva, conserva i confini documentali e chiedi una sintesi finale concisa che identifichi evidenze irrisolte. Questo mantiene il risultato utile separato dal processo di ragionamento potenzialmente lungo.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen/qwen3-235b-a22b-thinking-2507 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0009 / 1K token Output · Token in output $0.007 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0009 / 1K token Output · Token in output $0.007 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "qwen/qwen3-235b-a22b-thinking-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-235b-a22b-thinking-2507', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-235b-a22b-thinking-2507', '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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra qwen/qwen3-235b-a22b-thinking-2507
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Check a constrained allocation\n\nAllocate 17 identical work units to two teams. Team A must receive at least 6 and an even number; Team B must receive at least 5. Minimize the difference between team totals. List the valid allocations nearest equality, select the best and explain why no smaller difference is possible under the parity rule.A compact allocation analysis with feasible candidates, selected totals and a checkable optimality argument.Verify the totals sum to 17, A is even, both minimums hold and the comparison includes both sides of equality.