Caratteristiche principali di Qwen3.8 in un modello visivo-linguistico denso
Qwen3.8-27B porta i miglioramenti di Qwen3.8 in programmazione, lavoro professionale, ricerca e attività con agenti in un modello denso da 27 miliardi di parametri. Accetta testo, immagini e video e restituisce testo. Il suo ambito visivo documentato include diagrammi STEM, pagine di documenti e video della durata di ore. È un checkpoint distinto dal molto più grande Qwen3.8-2.4T-A95B, solo testuale, quindi le rispettive capacità di input e i contratti di ragionamento devono restare separati.
Qwen sottolinea pianificazione autonoma, uso del feedback dell’ambiente e integrazione con ambienti di sviluppo. Per un’attività con agente, fornire obiettivo, materiale pertinente, strumenti consentiti ed evidenze che ne dimostrino il completamento. Un modello può proporre e rivedere azioni usando i risultati restituiti; il software collegato esegue tali azioni. Chiedere l’artefatto finale e le condizioni irrisolte, anziché trattare un piano come un risultato eseguito.
Panoramica del modello
Il modello 27B ha 64 strati nel modello linguistico. La sua struttura ibrida raggruppa tre livelli Gated DeltaNet seguiti da un livello di attenzione con gating, con reti feed-forward dense. È addestrato con previsione di più token e include un encoder visivo. Queste scelte architetturali descrivono il modello rilasciato; non implicano che ogni distribuzione abbia identico uso di memoria o identica latenza.
Il contesto nativo è di 262,144 token, con estensione documentata a 1,000,000. Testo, rappresentazione visiva, cronologia della conversazione, ragionamento e output finale condividono il budget di sequenza configurato. Il produttore tratta separatamente un’edizione gestita con funzionalità aggiuntive; queste non devono essere assegnate automaticamente al checkpoint aperto.
Usare testo, immagini e video
Per un’attività sul codice, fornire la funzione o il modulo pertinente, un input che provoca l’errore e il comportamento atteso, quindi richiedere una patch con le ipotesi interessate e i controlli. Per un diagramma, conservare le etichette e fornire la domanda completa. Per un documento, chiedere campi nominati o conclusioni con riferimenti di pagina. Per un video, indicare l’evento di interesse e preservarne i tempi.
L’esempio video del produttore usa due fotogrammi al secondo per impostazione predefinita nel flusso di servizio supportato, con controlli di campionamento opzionali. Un riepilogo generale della scena e un evento breve possono richiedere campionamenti diversi. Le indicazioni sui video lunghi raccomandano di ampliare il budget del processore video per supportare un campionamento a frequenza maggiore su materiale della durata di ore, con un esempio corrispondente a circa 224K token video. Questo richiede configurazione e compete con altri contenuti del contesto; non è una garanzia universale di durata delle clip.
Ragionamento e ragionamento storico
Il ragionamento è abilitato per impostazione predefinita e può essere disabilitato per richiesta tramite il controllo enable_thinking del produttore. reasoning_effort supporta xhigh, medium e low, con xhigh predefinito. Un impegno inferiore può accorciare un singolo turno, ma Qwen avverte che un’analisi insufficiente nelle attività con agenti può causare errori e lavoro ripetuto, aumentando il tempo totale di completamento.
preserve_thinking è abilitato per impostazione predefinita e conserva i blocchi di ragionamento dei messaggi storici per la continuità. Disabilitandolo, vengono mantenuti soltanto i blocchi di ragionamento generati durante la gestione dell’ultimo messaggio dell’utente. Questo è diverso dalle precedenti indicazioni Qwen che eliminavano interamente il ragionamento storico. Mantenere ragionamento e contenuto finale distinti nell’interfaccia e preservare l’esatto formato di conversazione atteso dal checkpoint. I controlli del produttore non stabiliscono quali parametri esponga un’altra applicazione.
Indicazioni per la generazione
Per il ragionamento, Qwen raccomanda temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalità di presenza 0 e penalità di ripetizione 1.0. Per le risposte dirette raccomanda rispettivamente 0.7, 0.8, 20, 0, 1.5 e 1.0. Una penalità di presenza maggiore può ridurre le ripetizioni ma può mescolare le lingue o ridurre leggermente la qualità.
In un flusso configurato da un milione di token che supporti limiti separati, il produttore raccomanda budget di 262,144 token per il ragionamento e 131,072 per la risposta finale. Sono raccomandazioni condizionate sul budget, non limiti rigidi indipendenti dell’output né allocazioni che rientrino simultaneamente nel contesto nativo.
Contesto ultraesteso e limiti
L’estensione documentata usa YaRN con le impostazioni posizionali interlacciate proprie del modello. Un fattore di quattro mira al flusso da un milione di token; per un carico di circa 524,288 token, il produttore suggerisce un fattore di due. La scalatura statica può influire sulla qualità dei testi più brevi, quindi Qwen consiglia di abilitarla quando serve il contesto più lungo. Non copiare il fattore di estrapolazione di un’altra edizione Qwen-VL senza la relativa procedura.
Organizzare gli input lunghi per documento, pagina o identificatore di codice e richiedere un risultato verificabile. Verificare calcoli, piccole etichette visive e patch generate rispetto alla fonte. Contesto lungo, ragionamento conservato e budget video maggiori aiutano a trasportare più evidenze durante un’attività; da soli non dimostrano memoria completa, ragionamento corretto o un’azione esterna completata.
", "aboutText": "Caratteristiche principali di Qwen3.8 in un modello visivo-linguistico denso\n\nQwen3.8-27B porta i miglioramenti di Qwen3.8 in programmazione, lavoro professionale, ricerca e attività con agenti in un modello denso da 27 miliardi di parametri. Accetta testo, immagini e video e restituisce testo. Il suo ambito visivo documentato include diagrammi STEM, pagine di documenti e video della durata di ore. È un checkpoint distinto dal molto più grande Qwen3.8-2.4T-A95B, solo testuale, quindi le rispettive capacità di input e i contratti di ragionamento devono restare separati.\n\nQwen sottolinea pianificazione autonoma, uso del feedback dell’ambiente e integrazione con ambienti di sviluppo. Per un’attività con agente, fornire obiettivo, materiale pertinente, strumenti consentiti ed evidenze che ne dimostrino il completamento. Un modello può proporre e rivedere azioni usando i risultati restituiti; il software collegato esegue tali azioni. Chiedere l’artefatto finale e le condizioni irrisolte, anziché trattare un piano come un risultato eseguito.\n\nPanoramica del modello\n\nIl modello 27B ha 64 strati nel modello linguistico. La sua struttura ibrida raggruppa tre livelli Gated DeltaNet seguiti da un livello di attenzione con gating, con reti feed-forward dense. È addestrato con previsione di più token e include un encoder visivo. Queste scelte architetturali descrivono il modello rilasciato; non implicano che ogni distribuzione abbia identico uso di memoria o identica latenza.\n\nIl contesto nativo è di 262,144 token, con estensione documentata a 1,000,000. Testo, rappresentazione visiva, cronologia della conversazione, ragionamento e output finale condividono il budget di sequenza configurato. Il produttore tratta separatamente un’edizione gestita con funzionalità aggiuntive; queste non devono essere assegnate automaticamente al checkpoint aperto.\n\nUsare testo, immagini e video\n\nPer un’attività sul codice, fornire la funzione o il modulo pertinente, un input che provoca l’errore e il comportamento atteso, quindi richiedere una patch con le ipotesi interessate e i controlli. Per un diagramma, conservare le etichette e fornire la domanda completa. Per un documento, chiedere campi nominati o conclusioni con riferimenti di pagina. Per un video, indicare l’evento di interesse e preservarne i tempi.\n\nL’esempio video del produttore usa due fotogrammi al secondo per impostazione predefinita nel flusso di servizio supportato, con controlli di campionamento opzionali. Un riepilogo generale della scena e un evento breve possono richiedere campionamenti diversi. Le indicazioni sui video lunghi raccomandano di ampliare il budget del processore video per supportare un campionamento a frequenza maggiore su materiale della durata di ore, con un esempio corrispondente a circa 224K token video. Questo richiede configurazione e compete con altri contenuti del contesto; non è una garanzia universale di durata delle clip.\n\nRagionamento e ragionamento storico\n\nIl ragionamento è abilitato per impostazione predefinita e può essere disabilitato per richiesta tramite il controllo enable_thinking del produttore. reasoning_effort supporta xhigh, medium e low, con xhigh predefinito. Un impegno inferiore può accorciare un singolo turno, ma Qwen avverte che un’analisi insufficiente nelle attività con agenti può causare errori e lavoro ripetuto, aumentando il tempo totale di completamento.\n\npreserve_thinking è abilitato per impostazione predefinita e conserva i blocchi di ragionamento dei messaggi storici per la continuità. Disabilitandolo, vengono mantenuti soltanto i blocchi di ragionamento generati durante la gestione dell’ultimo messaggio dell’utente. Questo è diverso dalle precedenti indicazioni Qwen che eliminavano interamente il ragionamento storico. Mantenere ragionamento e contenuto finale distinti nell’interfaccia e preservare l’esatto formato di conversazione atteso dal checkpoint. I controlli del produttore non stabiliscono quali parametri esponga un’altra applicazione.\n\nIndicazioni per la generazione\n\nPer il ragionamento, Qwen raccomanda temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalità di presenza 0 e penalità di ripetizione 1.0. Per le risposte dirette raccomanda rispettivamente 0.7, 0.8, 20, 0, 1.5 e 1.0. Una penalità di presenza maggiore può ridurre le ripetizioni ma può mescolare le lingue o ridurre leggermente la qualità.\n\nIn un flusso configurato da un milione di token che supporti limiti separati, il produttore raccomanda budget di 262,144 token per il ragionamento e 131,072 per la risposta finale. Sono raccomandazioni condizionate sul budget, non limiti rigidi indipendenti dell’output né allocazioni che rientrino simultaneamente nel contesto nativo.\n\nContesto ultraesteso e limiti\n\nL’estensione documentata usa YaRN con le impostazioni posizionali interlacciate proprie del modello. Un fattore di quattro mira al flusso da un milione di token; per un carico di circa 524,288 token, il produttore suggerisce un fattore di due. La scalatura statica può influire sulla qualità dei testi più brevi, quindi Qwen consiglia di abilitarla quando serve il contesto più lungo. Non copiare il fattore di estrapolazione di un’altra edizione Qwen-VL senza la relativa procedura.\n\nOrganizzare gli input lunghi per documento, pagina o identificatore di codice e richiedere un risultato verificabile. Verificare calcoli, piccole etichette visive e patch generate rispetto alla fonte. Contesto lungo, ragionamento conservato e budget video maggiori aiutano a trasportare più evidenze durante un’attività; da soli non dimostrano memoria completa, ragionamento corretto o un’azione esterna completata.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Analyze a circuit described in text\n\nA written circuit description gives two 6-ohm resistors connected in parallel across an ideal 12-volt source. Assume ideal wires and constant resistance. Derive the equivalent resistance, total current and current through each branch. Show the formulas and verify that branch currents add to the total. No circuit image or execution tool is provided.A short derivation with units, three requested quantities and a current-sum check.Equivalent resistance is 3 ohms and the two equal branch currents sum to the derived total current.qwen/qwen3.8-27bQwen3.8-27B è il modello visivo-linguistico denso di Qwen per testo, immagini e video, con risposta testuale. Combina programmazione e lavoro con agenti su molti passaggi con ragionamento selezionabile, conservazione del ragionamento e un contesto nativo di 262,144 token, estendibile a un milione tramite configurazione.
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 in un modello visivo-linguistico denso
Qwen3.8-27B porta i miglioramenti di Qwen3.8 in programmazione, lavoro professionale, ricerca e attività con agenti in un modello denso da 27 miliardi di parametri. Accetta testo, immagini e video e restituisce testo. Il suo ambito visivo documentato include diagrammi STEM, pagine di documenti e video della durata di ore. È un checkpoint distinto dal molto più grande Qwen3.8-2.4T-A95B, solo testuale, quindi le rispettive capacità di input e i contratti di ragionamento devono restare separati.
Qwen sottolinea pianificazione autonoma, uso del feedback dell’ambiente e integrazione con ambienti di sviluppo. Per un’attività con agente, fornire obiettivo, materiale pertinente, strumenti consentiti ed evidenze che ne dimostrino il completamento. Un modello può proporre e rivedere azioni usando i risultati restituiti; il software collegato esegue tali azioni. Chiedere l’artefatto finale e le condizioni irrisolte, anziché trattare un piano come un risultato eseguito.
Panoramica del modello
Il modello 27B ha 64 strati nel modello linguistico. La sua struttura ibrida raggruppa tre livelli Gated DeltaNet seguiti da un livello di attenzione con gating, con reti feed-forward dense. È addestrato con previsione di più token e include un encoder visivo. Queste scelte architetturali descrivono il modello rilasciato; non implicano che ogni distribuzione abbia identico uso di memoria o identica latenza.
Il contesto nativo è di 262,144 token, con estensione documentata a 1,000,000. Testo, rappresentazione visiva, cronologia della conversazione, ragionamento e output finale condividono il budget di sequenza configurato. Il produttore tratta separatamente un’edizione gestita con funzionalità aggiuntive; queste non devono essere assegnate automaticamente al checkpoint aperto.
Usare testo, immagini e video
Per un’attività sul codice, fornire la funzione o il modulo pertinente, un input che provoca l’errore e il comportamento atteso, quindi richiedere una patch con le ipotesi interessate e i controlli. Per un diagramma, conservare le etichette e fornire la domanda completa. Per un documento, chiedere campi nominati o conclusioni con riferimenti di pagina. Per un video, indicare l’evento di interesse e preservarne i tempi.
L’esempio video del produttore usa due fotogrammi al secondo per impostazione predefinita nel flusso di servizio supportato, con controlli di campionamento opzionali. Un riepilogo generale della scena e un evento breve possono richiedere campionamenti diversi. Le indicazioni sui video lunghi raccomandano di ampliare il budget del processore video per supportare un campionamento a frequenza maggiore su materiale della durata di ore, con un esempio corrispondente a circa 224K token video. Questo richiede configurazione e compete con altri contenuti del contesto; non è una garanzia universale di durata delle clip.
Ragionamento e ragionamento storico
Il ragionamento è abilitato per impostazione predefinita e può essere disabilitato per richiesta tramite il controllo enable_thinking del produttore. reasoning_effort supporta xhigh, medium e low, con xhigh predefinito. Un impegno inferiore può accorciare un singolo turno, ma Qwen avverte che un’analisi insufficiente nelle attività con agenti può causare errori e lavoro ripetuto, aumentando il tempo totale di completamento.
preserve_thinking è abilitato per impostazione predefinita e conserva i blocchi di ragionamento dei messaggi storici per la continuità. Disabilitandolo, vengono mantenuti soltanto i blocchi di ragionamento generati durante la gestione dell’ultimo messaggio dell’utente. Questo è diverso dalle precedenti indicazioni Qwen che eliminavano interamente il ragionamento storico. Mantenere ragionamento e contenuto finale distinti nell’interfaccia e preservare l’esatto formato di conversazione atteso dal checkpoint. I controlli del produttore non stabiliscono quali parametri esponga un’altra applicazione.
Indicazioni per la generazione
Per il ragionamento, Qwen raccomanda temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalità di presenza 0 e penalità di ripetizione 1.0. Per le risposte dirette raccomanda rispettivamente 0.7, 0.8, 20, 0, 1.5 e 1.0. Una penalità di presenza maggiore può ridurre le ripetizioni ma può mescolare le lingue o ridurre leggermente la qualità.
In un flusso configurato da un milione di token che supporti limiti separati, il produttore raccomanda budget di 262,144 token per il ragionamento e 131,072 per la risposta finale. Sono raccomandazioni condizionate sul budget, non limiti rigidi indipendenti dell’output né allocazioni che rientrino simultaneamente nel contesto nativo.
Contesto ultraesteso e limiti
L’estensione documentata usa YaRN con le impostazioni posizionali interlacciate proprie del modello. Un fattore di quattro mira al flusso da un milione di token; per un carico di circa 524,288 token, il produttore suggerisce un fattore di due. La scalatura statica può influire sulla qualità dei testi più brevi, quindi Qwen consiglia di abilitarla quando serve il contesto più lungo. Non copiare il fattore di estrapolazione di un’altra edizione Qwen-VL senza la relativa procedura.
Organizzare gli input lunghi per documento, pagina o identificatore di codice e richiedere un risultato verificabile. Verificare calcoli, piccole etichette visive e patch generate rispetto alla fonte. Contesto lungo, ragionamento conservato e budget video maggiori aiutano a trasportare più evidenze durante un’attività; da soli non dimostrano memoria completa, ragionamento corretto o un’azione esterna completata.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen/qwen3.8-27b | 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 $0.00085 / 1K token Output · Token in output $0.0051 / 1K token Input · Lettura dalla cache $0.00017 / 1K token Input · Scrittura nella cache $0.0010625 / 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 $0.00085 / 1K token Output · Token in output $0.0051 / 1K token Input · Lettura dalla cache $0.00017 / 1K token Input · Scrittura nella cache $0.0010625 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.8-27b", "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/qwen3.8-27b',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/qwen3.8-27b',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/qwen3.8-27b
Usa i percorsi dei metodi indicati sopra.
qwen/qwen3.8-27bQwen3.8-27B è il modello visivo-linguistico denso di Qwen per testo, immagini e video, con risposta testuale. Combina programmazione e lavoro con agenti su molti passaggi con ragionamento selezionabile, conservazione del ragionamento e un contesto nativo di 262,144 token, estendibile a un milione tramite configurazione.
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 in un modello visivo-linguistico denso
Qwen3.8-27B porta i miglioramenti di Qwen3.8 in programmazione, lavoro professionale, ricerca e attività con agenti in un modello denso da 27 miliardi di parametri. Accetta testo, immagini e video e restituisce testo. Il suo ambito visivo documentato include diagrammi STEM, pagine di documenti e video della durata di ore. È un checkpoint distinto dal molto più grande Qwen3.8-2.4T-A95B, solo testuale, quindi le rispettive capacità di input e i contratti di ragionamento devono restare separati.
Qwen sottolinea pianificazione autonoma, uso del feedback dell’ambiente e integrazione con ambienti di sviluppo. Per un’attività con agente, fornire obiettivo, materiale pertinente, strumenti consentiti ed evidenze che ne dimostrino il completamento. Un modello può proporre e rivedere azioni usando i risultati restituiti; il software collegato esegue tali azioni. Chiedere l’artefatto finale e le condizioni irrisolte, anziché trattare un piano come un risultato eseguito.
Panoramica del modello
Il modello 27B ha 64 strati nel modello linguistico. La sua struttura ibrida raggruppa tre livelli Gated DeltaNet seguiti da un livello di attenzione con gating, con reti feed-forward dense. È addestrato con previsione di più token e include un encoder visivo. Queste scelte architetturali descrivono il modello rilasciato; non implicano che ogni distribuzione abbia identico uso di memoria o identica latenza.
Il contesto nativo è di 262,144 token, con estensione documentata a 1,000,000. Testo, rappresentazione visiva, cronologia della conversazione, ragionamento e output finale condividono il budget di sequenza configurato. Il produttore tratta separatamente un’edizione gestita con funzionalità aggiuntive; queste non devono essere assegnate automaticamente al checkpoint aperto.
Usare testo, immagini e video
Per un’attività sul codice, fornire la funzione o il modulo pertinente, un input che provoca l’errore e il comportamento atteso, quindi richiedere una patch con le ipotesi interessate e i controlli. Per un diagramma, conservare le etichette e fornire la domanda completa. Per un documento, chiedere campi nominati o conclusioni con riferimenti di pagina. Per un video, indicare l’evento di interesse e preservarne i tempi.
L’esempio video del produttore usa due fotogrammi al secondo per impostazione predefinita nel flusso di servizio supportato, con controlli di campionamento opzionali. Un riepilogo generale della scena e un evento breve possono richiedere campionamenti diversi. Le indicazioni sui video lunghi raccomandano di ampliare il budget del processore video per supportare un campionamento a frequenza maggiore su materiale della durata di ore, con un esempio corrispondente a circa 224K token video. Questo richiede configurazione e compete con altri contenuti del contesto; non è una garanzia universale di durata delle clip.
Ragionamento e ragionamento storico
Il ragionamento è abilitato per impostazione predefinita e può essere disabilitato per richiesta tramite il controllo enable_thinking del produttore. reasoning_effort supporta xhigh, medium e low, con xhigh predefinito. Un impegno inferiore può accorciare un singolo turno, ma Qwen avverte che un’analisi insufficiente nelle attività con agenti può causare errori e lavoro ripetuto, aumentando il tempo totale di completamento.
preserve_thinking è abilitato per impostazione predefinita e conserva i blocchi di ragionamento dei messaggi storici per la continuità. Disabilitandolo, vengono mantenuti soltanto i blocchi di ragionamento generati durante la gestione dell’ultimo messaggio dell’utente. Questo è diverso dalle precedenti indicazioni Qwen che eliminavano interamente il ragionamento storico. Mantenere ragionamento e contenuto finale distinti nell’interfaccia e preservare l’esatto formato di conversazione atteso dal checkpoint. I controlli del produttore non stabiliscono quali parametri esponga un’altra applicazione.
Indicazioni per la generazione
Per il ragionamento, Qwen raccomanda temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalità di presenza 0 e penalità di ripetizione 1.0. Per le risposte dirette raccomanda rispettivamente 0.7, 0.8, 20, 0, 1.5 e 1.0. Una penalità di presenza maggiore può ridurre le ripetizioni ma può mescolare le lingue o ridurre leggermente la qualità.
In un flusso configurato da un milione di token che supporti limiti separati, il produttore raccomanda budget di 262,144 token per il ragionamento e 131,072 per la risposta finale. Sono raccomandazioni condizionate sul budget, non limiti rigidi indipendenti dell’output né allocazioni che rientrino simultaneamente nel contesto nativo.
Contesto ultraesteso e limiti
L’estensione documentata usa YaRN con le impostazioni posizionali interlacciate proprie del modello. Un fattore di quattro mira al flusso da un milione di token; per un carico di circa 524,288 token, il produttore suggerisce un fattore di due. La scalatura statica può influire sulla qualità dei testi più brevi, quindi Qwen consiglia di abilitarla quando serve il contesto più lungo. Non copiare il fattore di estrapolazione di un’altra edizione Qwen-VL senza la relativa procedura.
Organizzare gli input lunghi per documento, pagina o identificatore di codice e richiedere un risultato verificabile. Verificare calcoli, piccole etichette visive e patch generate rispetto alla fonte. Contesto lungo, ragionamento conservato e budget video maggiori aiutano a trasportare più evidenze durante un’attività; da soli non dimostrano memoria completa, ragionamento corretto o un’azione esterna completata.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen/qwen3.8-27b | 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 $0.00085 / 1K token Output · Token in output $0.0051 / 1K token Input · Lettura dalla cache $0.00017 / 1K token Input · Scrittura nella cache $0.0010625 / 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 $0.00085 / 1K token Output · Token in output $0.0051 / 1K token Input · Lettura dalla cache $0.00017 / 1K token Input · Scrittura nella cache $0.0010625 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "qwen/qwen3.8-27b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.8-27b', '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/qwen3.8-27b', '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/qwen3.8-27b
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Analyze a circuit described in text\n\nA written circuit description gives two 6-ohm resistors connected in parallel across an ideal 12-volt source. Assume ideal wires and constant resistance. Derive the equivalent resistance, total current and current through each branch. Show the formulas and verify that branch currents add to the total. No circuit image or execution tool is provided.A short derivation with units, three requested quantities and a current-sum check.Equivalent resistance is 3 ohms and the two equal branch currents sum to the derived total current.