Caratteristiche principali di Qwen3.8: ragionamento testuale prolungato
Qwen3.8-2.4T-A95B è il checkpoint aperto Qwen3.8 per il ragionamento testuale. Qwen descrive miglioramenti in programmazione, lavoro professionale, ricerca e attività con agenti su orizzonti lunghi, compresi pianificazione e uso del feedback dell’ambiente. Accetta testo e restituisce testo. Il produttore lo separa esplicitamente dall’offerta gestita Qwen3.8-Max: input visivo e supporto senza ragionamento sono funzionalità aggiuntive di tale offerta, non capacità di questo specifico checkpoint aperto.
Per un’attività di programmazione, fornire i moduli pertinenti, il requisito e un input che esponga il comportamento attuale. Richiedere una modifica spiegata e un artefatto finale ispezionabile. Per un rapporto di ricerca o professionale, fornire evidenze, sezioni richieste e criteri di valutazione, quindi chiedere al modello di distinguere risultati supportati e ipotesi. Sono applicazioni pratiche dell’ambito di attività documentato, non promesse di codice eseguito o conclusioni certificate da esperti.
Panoramica del modello
Il modello a mixture-of-experts sparsa ha 2.4 mila miliardi di parametri totali e ne attiva 95 miliardi. Ha 92 livelli e 512 esperti instradati, selezionando dieci esperti instradati insieme a un esperto condiviso. I blocchi ibridi combinano Gated DeltaNet e attenzione con gating con livelli a esperti, seguendo uno schema di tre a uno. La previsione di più token fa parte dell’addestramento. Il numero di parametri attivati non è la dimensione completa del checkpoint e un totale elevato non stabilisce una garanzia sui tempi di risposta.
Il contesto nativo è di 262,144 token, con estensione documentata fino a 1,010,000. Questo differisce dal contesto predefinito di un milione di token del riferimento Max gestito. Usare il budget di sequenza effettivamente configurato per testo sorgente, cronologia, ragionamento e risposta finale, anziché presumere che tutti i valori massimi si applichino simultaneamente.
Usare lo specifico checkpoint di ragionamento
Il ragionamento è obbligatorio in ogni interazione e non può essere disabilitato. L’output documentato inizia con un blocco di ragionamento prima del testo finale. reasoning_effort supporta xhigh, medium e low; xhigh è il valore predefinito. Low riduce la profondità prevista ma resta una modalità di ragionamento. Una richiesta di risposta finale concisa può controllare il prodotto desiderato senza convertire questo modello in un’edizione senza ragionamento.
preserve_thinking è abilitato per impostazione predefinita. Conservare il ragionamento dei turni precedenti aiuta un’attività iterativa a mantenere il contesto decisionale. Mantenere correzioni, risultati degli strumenti e risposta finale associati ai turni che li hanno prodotti. Questo modello deve seguire il proprio contratto di cronologia anziché ereditare il precedente consiglio di rimuovere ogni blocco di ragionamento dai messaggi passati. L’esatta esposizione dei controlli di impegno e conservazione dipende dall’interfaccia che implementa la procedura del checkpoint.
Ambienti di sviluppo e feedback dell’ambiente
Qwen descrive compatibilità con ambienti di sviluppo e strumenti. Un’attività prolungata può essere espressa come obiettivo, azioni consentite ed evidenze di completamento; l’applicazione può poi fornire osservazioni da ispezione o esecuzione. Chiedere al modello di spiegare come ogni nuovo risultato cambi il piano e di riportare ciò che resta irrisolto. Pianificare un’azione e ricevere un risultato reale sono parti diverse di tale flusso.
Gli esempi Max gestiti della scheda includono strumenti integrati aggiuntivi. Non devono essere trasformati in ricerca web automatica, esecuzione di codice o input visivo per questo modello aperto. Il suo ruolo utile è quello di componente di ragionamento testuale in un flusso collegato; strumenti ed effetti esterni appartengono all’applicazione che li fornisce.
Raccomandazioni per la generazione
Il produttore raccomanda temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalità di presenza 0 e penalità di ripetizione 1.0. Ove supportata, una penalità di presenza fra zero e due può ridurre il testo ripetuto, ma valori più alti possono mescolare le lingue o ridurre leggermente la qualità. Il supporto dei parametri varia con l’implementazione.
Per un flusso configurato da un milione di token con limiti separati di ragionamento e risposta finale, Qwen raccomanda 262,144 token per il ragionamento e 131,072 per la risposta finale. Sono budget soggetti a condizioni, non limiti rigidi stabiliti separatamente né budget che rientrino insieme nel contesto nativo di 262,144 token. Allocare spazio sufficiente per un artefatto completo e chiedere un risultato finale facile da trovare dopo il ragionamento.
Limiti pratici
Questo checkpoint non accetta immagini, audio o video. Quando necessario, convertire le evidenze pertinenti in una rappresentazione testuale adatta tramite un flusso separato, conservando identificatori che consentano di verificare la risposta. La scheda dichiara un contesto esteso ma non fornisce una procedura completa di estensione per attività né un limite universale dei media per questo modello solo testuale. Preservare l’identità e la configurazione esatte del checkpoint, verificare calcoli e proposte di codice rispetto alla fonte e trattare l’artefatto finale come un risultato da revisionare anziché come prova del completamento di un’intera attività esterna.
", "aboutText": "Caratteristiche principali di Qwen3.8: ragionamento testuale prolungato\n\nQwen3.8-2.4T-A95B è il checkpoint aperto Qwen3.8 per il ragionamento testuale. Qwen descrive miglioramenti in programmazione, lavoro professionale, ricerca e attività con agenti su orizzonti lunghi, compresi pianificazione e uso del feedback dell’ambiente. Accetta testo e restituisce testo. Il produttore lo separa esplicitamente dall’offerta gestita Qwen3.8-Max: input visivo e supporto senza ragionamento sono funzionalità aggiuntive di tale offerta, non capacità di questo specifico checkpoint aperto.\n\nPer un’attività di programmazione, fornire i moduli pertinenti, il requisito e un input che esponga il comportamento attuale. Richiedere una modifica spiegata e un artefatto finale ispezionabile. Per un rapporto di ricerca o professionale, fornire evidenze, sezioni richieste e criteri di valutazione, quindi chiedere al modello di distinguere risultati supportati e ipotesi. Sono applicazioni pratiche dell’ambito di attività documentato, non promesse di codice eseguito o conclusioni certificate da esperti.\n\nPanoramica del modello\n\nIl modello a mixture-of-experts sparsa ha 2.4 mila miliardi di parametri totali e ne attiva 95 miliardi. Ha 92 livelli e 512 esperti instradati, selezionando dieci esperti instradati insieme a un esperto condiviso. I blocchi ibridi combinano Gated DeltaNet e attenzione con gating con livelli a esperti, seguendo uno schema di tre a uno. La previsione di più token fa parte dell’addestramento. Il numero di parametri attivati non è la dimensione completa del checkpoint e un totale elevato non stabilisce una garanzia sui tempi di risposta.\n\nIl contesto nativo è di 262,144 token, con estensione documentata fino a 1,010,000. Questo differisce dal contesto predefinito di un milione di token del riferimento Max gestito. Usare il budget di sequenza effettivamente configurato per testo sorgente, cronologia, ragionamento e risposta finale, anziché presumere che tutti i valori massimi si applichino simultaneamente.\n\nUsare lo specifico checkpoint di ragionamento\n\nIl ragionamento è obbligatorio in ogni interazione e non può essere disabilitato. L’output documentato inizia con un blocco di ragionamento prima del testo finale. reasoning_effort supporta xhigh, medium e low; xhigh è il valore predefinito. Low riduce la profondità prevista ma resta una modalità di ragionamento. Una richiesta di risposta finale concisa può controllare il prodotto desiderato senza convertire questo modello in un’edizione senza ragionamento.\n\npreserve_thinking è abilitato per impostazione predefinita. Conservare il ragionamento dei turni precedenti aiuta un’attività iterativa a mantenere il contesto decisionale. Mantenere correzioni, risultati degli strumenti e risposta finale associati ai turni che li hanno prodotti. Questo modello deve seguire il proprio contratto di cronologia anziché ereditare il precedente consiglio di rimuovere ogni blocco di ragionamento dai messaggi passati. L’esatta esposizione dei controlli di impegno e conservazione dipende dall’interfaccia che implementa la procedura del checkpoint.\n\nAmbienti di sviluppo e feedback dell’ambiente\n\nQwen descrive compatibilità con ambienti di sviluppo e strumenti. Un’attività prolungata può essere espressa come obiettivo, azioni consentite ed evidenze di completamento; l’applicazione può poi fornire osservazioni da ispezione o esecuzione. Chiedere al modello di spiegare come ogni nuovo risultato cambi il piano e di riportare ciò che resta irrisolto. Pianificare un’azione e ricevere un risultato reale sono parti diverse di tale flusso.\n\nGli esempi Max gestiti della scheda includono strumenti integrati aggiuntivi. Non devono essere trasformati in ricerca web automatica, esecuzione di codice o input visivo per questo modello aperto. Il suo ruolo utile è quello di componente di ragionamento testuale in un flusso collegato; strumenti ed effetti esterni appartengono all’applicazione che li fornisce.\n\nRaccomandazioni per la generazione\n\nIl produttore raccomanda temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalità di presenza 0 e penalità di ripetizione 1.0. Ove supportata, una penalità di presenza fra zero e due può ridurre il testo ripetuto, ma valori più alti possono mescolare le lingue o ridurre leggermente la qualità. Il supporto dei parametri varia con l’implementazione.\n\nPer un flusso configurato da un milione di token con limiti separati di ragionamento e risposta finale, Qwen raccomanda 262,144 token per il ragionamento e 131,072 per la risposta finale. Sono budget soggetti a condizioni, non limiti rigidi stabiliti separatamente né budget che rientrino insieme nel contesto nativo di 262,144 token. Allocare spazio sufficiente per un artefatto completo e chiedere un risultato finale facile da trovare dopo il ragionamento.\n\nLimiti pratici\n\nQuesto checkpoint non accetta immagini, audio o video. Quando necessario, convertire le evidenze pertinenti in una rappresentazione testuale adatta tramite un flusso separato, conservando identificatori che consentano di verificare la risposta. La scheda dichiara un contesto esteso ma non fornisce una procedura completa di estensione per attività né un limite universale dei media per questo modello solo testuale. Preservare l’identità e la configurazione esatte del checkpoint, verificare calcoli e proposte di codice rispetto alla fonte e trattare l’artefatto finale come un risultato da revisionare anziché come prova del completamento di un’intera attività esterna.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Review a resumable migration plan\n\nReview this migration design against the requirement that every row is copied exactly once. Step 1 copies 100 rows after last_id. Step 2 saves last_id. A crash can occur between steps. Explain the duplicate risk after restart and propose a minimal idempotent write or atomic checkpoint design. Include a test that interrupts precisely between the two steps.A cause analysis, one concrete correction strategy and a crash-point regression scenario.Rerunning after the interruption cannot produce duplicate destination rows or skip uncopied source rows.qwen/qwen3.8-2.4t-a95bQwen3.8-2.4T-A95B è il modello testuale di ragionamento Qwen a mixture-of-experts sparsa, con 2.4 mila miliardi di parametri totali e 95 miliardi attivati. Questo checkpoint aperto usa sempre il ragionamento, supporta un livello regolabile di impegno nel ragionamento e conserva il contesto di ragionamento per attività prolungate di programmazione e lavoro professionale.
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.
Caratteristiche principali di Qwen3.8: ragionamento testuale prolungato
Qwen3.8-2.4T-A95B è il checkpoint aperto Qwen3.8 per il ragionamento testuale. Qwen descrive miglioramenti in programmazione, lavoro professionale, ricerca e attività con agenti su orizzonti lunghi, compresi pianificazione e uso del feedback dell’ambiente. Accetta testo e restituisce testo. Il produttore lo separa esplicitamente dall’offerta gestita Qwen3.8-Max: input visivo e supporto senza ragionamento sono funzionalità aggiuntive di tale offerta, non capacità di questo specifico checkpoint aperto.
Per un’attività di programmazione, fornire i moduli pertinenti, il requisito e un input che esponga il comportamento attuale. Richiedere una modifica spiegata e un artefatto finale ispezionabile. Per un rapporto di ricerca o professionale, fornire evidenze, sezioni richieste e criteri di valutazione, quindi chiedere al modello di distinguere risultati supportati e ipotesi. Sono applicazioni pratiche dell’ambito di attività documentato, non promesse di codice eseguito o conclusioni certificate da esperti.
Panoramica del modello
Il modello a mixture-of-experts sparsa ha 2.4 mila miliardi di parametri totali e ne attiva 95 miliardi. Ha 92 livelli e 512 esperti instradati, selezionando dieci esperti instradati insieme a un esperto condiviso. I blocchi ibridi combinano Gated DeltaNet e attenzione con gating con livelli a esperti, seguendo uno schema di tre a uno. La previsione di più token fa parte dell’addestramento. Il numero di parametri attivati non è la dimensione completa del checkpoint e un totale elevato non stabilisce una garanzia sui tempi di risposta.
Il contesto nativo è di 262,144 token, con estensione documentata fino a 1,010,000. Questo differisce dal contesto predefinito di un milione di token del riferimento Max gestito. Usare il budget di sequenza effettivamente configurato per testo sorgente, cronologia, ragionamento e risposta finale, anziché presumere che tutti i valori massimi si applichino simultaneamente.
Usare lo specifico checkpoint di ragionamento
Il ragionamento è obbligatorio in ogni interazione e non può essere disabilitato. L’output documentato inizia con un blocco di ragionamento prima del testo finale. reasoning_effort supporta xhigh, medium e low; xhigh è il valore predefinito. Low riduce la profondità prevista ma resta una modalità di ragionamento. Una richiesta di risposta finale concisa può controllare il prodotto desiderato senza convertire questo modello in un’edizione senza ragionamento.
preserve_thinking è abilitato per impostazione predefinita. Conservare il ragionamento dei turni precedenti aiuta un’attività iterativa a mantenere il contesto decisionale. Mantenere correzioni, risultati degli strumenti e risposta finale associati ai turni che li hanno prodotti. Questo modello deve seguire il proprio contratto di cronologia anziché ereditare il precedente consiglio di rimuovere ogni blocco di ragionamento dai messaggi passati. L’esatta esposizione dei controlli di impegno e conservazione dipende dall’interfaccia che implementa la procedura del checkpoint.
Ambienti di sviluppo e feedback dell’ambiente
Qwen descrive compatibilità con ambienti di sviluppo e strumenti. Un’attività prolungata può essere espressa come obiettivo, azioni consentite ed evidenze di completamento; l’applicazione può poi fornire osservazioni da ispezione o esecuzione. Chiedere al modello di spiegare come ogni nuovo risultato cambi il piano e di riportare ciò che resta irrisolto. Pianificare un’azione e ricevere un risultato reale sono parti diverse di tale flusso.
Gli esempi Max gestiti della scheda includono strumenti integrati aggiuntivi. Non devono essere trasformati in ricerca web automatica, esecuzione di codice o input visivo per questo modello aperto. Il suo ruolo utile è quello di componente di ragionamento testuale in un flusso collegato; strumenti ed effetti esterni appartengono all’applicazione che li fornisce.
Raccomandazioni per la generazione
Il produttore raccomanda temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalità di presenza 0 e penalità di ripetizione 1.0. Ove supportata, una penalità di presenza fra zero e due può ridurre il testo ripetuto, ma valori più alti possono mescolare le lingue o ridurre leggermente la qualità. Il supporto dei parametri varia con l’implementazione.
Per un flusso configurato da un milione di token con limiti separati di ragionamento e risposta finale, Qwen raccomanda 262,144 token per il ragionamento e 131,072 per la risposta finale. Sono budget soggetti a condizioni, non limiti rigidi stabiliti separatamente né budget che rientrino insieme nel contesto nativo di 262,144 token. Allocare spazio sufficiente per un artefatto completo e chiedere un risultato finale facile da trovare dopo il ragionamento.
Limiti pratici
Questo checkpoint non accetta immagini, audio o video. Quando necessario, convertire le evidenze pertinenti in una rappresentazione testuale adatta tramite un flusso separato, conservando identificatori che consentano di verificare la risposta. La scheda dichiara un contesto esteso ma non fornisce una procedura completa di estensione per attività né un limite universale dei media per questo modello solo testuale. Preservare l’identità e la configurazione esatte del checkpoint, verificare calcoli e proposte di codice rispetto alla fonte e trattare l’artefatto finale come un risultato da revisionare anziché come prova del completamento di un’intera attività esterna.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen/qwen3.8-2.4t-a95b | 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 $0.004 / 1K token Output · Token in output $0.012 / 1K token Input · Lettura dalla cache $0.0005 / 1K token Input · Scrittura nella cache $0.005 / 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 $0.004 / 1K token Output · Token in output $0.012 / 1K token Input · Lettura dalla cache $0.0005 / 1K token Input · Scrittura nella cache $0.005 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.8-2.4t-a95b", "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/qwen3.8-2.4t-a95b',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/qwen3.8-2.4t-a95b',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/qwen3.8-2.4t-a95b
Usa i percorsi dei metodi indicati sopra.
qwen/qwen3.8-2.4t-a95bQwen3.8-2.4T-A95B è il modello testuale di ragionamento Qwen a mixture-of-experts sparsa, con 2.4 mila miliardi di parametri totali e 95 miliardi attivati. Questo checkpoint aperto usa sempre il ragionamento, supporta un livello regolabile di impegno nel ragionamento e conserva il contesto di ragionamento per attività prolungate di programmazione e lavoro professionale.
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.
Caratteristiche principali di Qwen3.8: ragionamento testuale prolungato
Qwen3.8-2.4T-A95B è il checkpoint aperto Qwen3.8 per il ragionamento testuale. Qwen descrive miglioramenti in programmazione, lavoro professionale, ricerca e attività con agenti su orizzonti lunghi, compresi pianificazione e uso del feedback dell’ambiente. Accetta testo e restituisce testo. Il produttore lo separa esplicitamente dall’offerta gestita Qwen3.8-Max: input visivo e supporto senza ragionamento sono funzionalità aggiuntive di tale offerta, non capacità di questo specifico checkpoint aperto.
Per un’attività di programmazione, fornire i moduli pertinenti, il requisito e un input che esponga il comportamento attuale. Richiedere una modifica spiegata e un artefatto finale ispezionabile. Per un rapporto di ricerca o professionale, fornire evidenze, sezioni richieste e criteri di valutazione, quindi chiedere al modello di distinguere risultati supportati e ipotesi. Sono applicazioni pratiche dell’ambito di attività documentato, non promesse di codice eseguito o conclusioni certificate da esperti.
Panoramica del modello
Il modello a mixture-of-experts sparsa ha 2.4 mila miliardi di parametri totali e ne attiva 95 miliardi. Ha 92 livelli e 512 esperti instradati, selezionando dieci esperti instradati insieme a un esperto condiviso. I blocchi ibridi combinano Gated DeltaNet e attenzione con gating con livelli a esperti, seguendo uno schema di tre a uno. La previsione di più token fa parte dell’addestramento. Il numero di parametri attivati non è la dimensione completa del checkpoint e un totale elevato non stabilisce una garanzia sui tempi di risposta.
Il contesto nativo è di 262,144 token, con estensione documentata fino a 1,010,000. Questo differisce dal contesto predefinito di un milione di token del riferimento Max gestito. Usare il budget di sequenza effettivamente configurato per testo sorgente, cronologia, ragionamento e risposta finale, anziché presumere che tutti i valori massimi si applichino simultaneamente.
Usare lo specifico checkpoint di ragionamento
Il ragionamento è obbligatorio in ogni interazione e non può essere disabilitato. L’output documentato inizia con un blocco di ragionamento prima del testo finale. reasoning_effort supporta xhigh, medium e low; xhigh è il valore predefinito. Low riduce la profondità prevista ma resta una modalità di ragionamento. Una richiesta di risposta finale concisa può controllare il prodotto desiderato senza convertire questo modello in un’edizione senza ragionamento.
preserve_thinking è abilitato per impostazione predefinita. Conservare il ragionamento dei turni precedenti aiuta un’attività iterativa a mantenere il contesto decisionale. Mantenere correzioni, risultati degli strumenti e risposta finale associati ai turni che li hanno prodotti. Questo modello deve seguire il proprio contratto di cronologia anziché ereditare il precedente consiglio di rimuovere ogni blocco di ragionamento dai messaggi passati. L’esatta esposizione dei controlli di impegno e conservazione dipende dall’interfaccia che implementa la procedura del checkpoint.
Ambienti di sviluppo e feedback dell’ambiente
Qwen descrive compatibilità con ambienti di sviluppo e strumenti. Un’attività prolungata può essere espressa come obiettivo, azioni consentite ed evidenze di completamento; l’applicazione può poi fornire osservazioni da ispezione o esecuzione. Chiedere al modello di spiegare come ogni nuovo risultato cambi il piano e di riportare ciò che resta irrisolto. Pianificare un’azione e ricevere un risultato reale sono parti diverse di tale flusso.
Gli esempi Max gestiti della scheda includono strumenti integrati aggiuntivi. Non devono essere trasformati in ricerca web automatica, esecuzione di codice o input visivo per questo modello aperto. Il suo ruolo utile è quello di componente di ragionamento testuale in un flusso collegato; strumenti ed effetti esterni appartengono all’applicazione che li fornisce.
Raccomandazioni per la generazione
Il produttore raccomanda temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalità di presenza 0 e penalità di ripetizione 1.0. Ove supportata, una penalità di presenza fra zero e due può ridurre il testo ripetuto, ma valori più alti possono mescolare le lingue o ridurre leggermente la qualità. Il supporto dei parametri varia con l’implementazione.
Per un flusso configurato da un milione di token con limiti separati di ragionamento e risposta finale, Qwen raccomanda 262,144 token per il ragionamento e 131,072 per la risposta finale. Sono budget soggetti a condizioni, non limiti rigidi stabiliti separatamente né budget che rientrino insieme nel contesto nativo di 262,144 token. Allocare spazio sufficiente per un artefatto completo e chiedere un risultato finale facile da trovare dopo il ragionamento.
Limiti pratici
Questo checkpoint non accetta immagini, audio o video. Quando necessario, convertire le evidenze pertinenti in una rappresentazione testuale adatta tramite un flusso separato, conservando identificatori che consentano di verificare la risposta. La scheda dichiara un contesto esteso ma non fornisce una procedura completa di estensione per attività né un limite universale dei media per questo modello solo testuale. Preservare l’identità e la configurazione esatte del checkpoint, verificare calcoli e proposte di codice rispetto alla fonte e trattare l’artefatto finale come un risultato da revisionare anziché come prova del completamento di un’intera attività esterna.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen/qwen3.8-2.4t-a95b | 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 $0.004 / 1K token Output · Token in output $0.012 / 1K token Input · Lettura dalla cache $0.0005 / 1K token Input · Scrittura nella cache $0.005 / 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 $0.004 / 1K token Output · Token in output $0.012 / 1K token Input · Lettura dalla cache $0.0005 / 1K token Input · Scrittura nella cache $0.005 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "qwen/qwen3.8-2.4t-a95b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.8-2.4t-a95b', '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/qwen3.8-2.4t-a95b', '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/qwen3.8-2.4t-a95b
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Review a resumable migration plan\n\nReview this migration design against the requirement that every row is copied exactly once. Step 1 copies 100 rows after last_id. Step 2 saves last_id. A crash can occur between steps. Explain the duplicate risk after restart and propose a minimal idempotent write or atomic checkpoint design. Include a test that interrupts precisely between the two steps.A cause analysis, one concrete correction strategy and a crash-point regression scenario.Rerunning after the interruption cannot produce duplicate destination rows or skip uncopied source rows.