Punti di forza: un modello costruito per agenti di programmazione
Qwen3-Coder-Next è un modello testuale aperto progettato specificamente per agenti di programmazione e flussi di sviluppo. Qwen descrive la risoluzione di problemi su orizzonti lunghi, l'uso complesso di strumenti e il recupero da errori di esecuzione, insieme all'adattabilità a diverse strutture di supporto allo sviluppo. Accetta testo e produce testo, compresi codice, spiegazioni e richieste di strumenti. Questo esatto checkpoint Coder-Next ha un proprio contratto non-thinking; le edizioni Thinking della famiglia Next più ampia non devono sostituirlo.
Per un'attività di sviluppo, fornisci i file o gli estratti pertinenti, il comportamento desiderato e l'input che dimostra un problema. Chiedi una modifica editabile e una spiegazione collegata a tali condizioni. Per un'attività articolata in più passaggi, definisci l'obiettivo, gli strumenti consentiti e le osservazioni che ne dimostrerebbero il completamento. Esamina la modifica di codice proposta e la sua spiegazione rispetto ai file forniti, all'input che causa l'errore e ai criteri di completamento.
Panoramica del modello
Il modello ha 80 miliardi di parametri totali e ne attiva tre miliardi. La sua struttura ibrida a 48 livelli ripete tre livelli di esperti Gated DeltaNet seguiti da un livello di esperti con attenzione con gating. Il produttore elenca 512 esperti, dieci esperti attivati e un esperto condiviso. Il numero ridotto di parametri attivati è una caratteristica computazionale del modello sparso, non la dimensione dell'intero checkpoint.
Il contesto nativo è di 262,144 token. Gli esempi del produttore consentono un contesto più piccolo, come 32,768, quando i vincoli di memoria impediscono il funzionamento della configurazione più ampia. Codice sorgente, cronologia, osservazioni degli strumenti e testo generato devono rientrare nel budget di sequenza configurato. La scheda non attesta un'estensione predefinita a un milione di token per questo checkpoint.
Uso dell'interfaccia testuale non-thinking
Coder-Next supporta soltanto la modalità non-thinking e non genera blocchi espliciti di ragionamento. Impostare enable_thinking=False non è necessario nell'esempio del produttore. Può comunque spiegare una patch, discutere un algoritmo o ragionare attraverso il testo ordinario; non-thinking descrive la modalità di output, anziché vietare una spiegazione.
La guida introduttiva chiede un algoritmo di ordinamento e usa un budget di generazione di 65,536 token. Quel valore è un budget di esempio, non un limite rigido di output pubblicato separatamente. Specifica il formato e i vincoli dell'artefatto: linguaggio, interfacce pertinenti, comportamento richiesto e se la risposta debba contenere una patch, una funzione completa o una spiegazione. Mantieni il risultato modificabile separato dal commento, così che sia facilmente verificabile.
Strutture di supporto allo sviluppo e contesto
Il produttore sottolinea la compatibilità con strutture di supporto per agenti in stile CLI e IDE, compreso Qwen Code. Una struttura di supporto fornisce lo stato del progetto, le definizioni degli strumenti, le osservazioni e il formato della conversazione. Conserva questi input in modo coerente durante un'attività in più passaggi. Quando uno strumento segnala un controllo fallito, fornisci l'errore effettivo e il codice modificato pertinente, anziché limitarti a dire al modello di riprovare.
Il lavoro su orizzonti lunghi trae beneficio da uno stato visibile dell'attività: ciò che è stato osservato, la modifica proposta e la condizione ancora irrisolta. Un'osservazione di uno strumento è diversa da un'affermazione nel testo generato. La capacità del modello di recuperare dagli errori non va trattata come autorizzazione automatica a eseguire comandi né come garanzia che ogni recupero riesca.
Programmazione con agenti e chiamate a strumenti
Qwen documenta definizioni di strumenti in stile funzione con nomi, descrizioni, schemi di input e campi obbligatori. Fornisci una definizione precisa e il significato atteso del valore restituito. L'applicazione esegue uno strumento selezionato e ne restituisce il risultato; il modello usa poi tale risultato nel passaggio successivo. Le chiamate a strumenti non concedono di per sé accesso a un filesystem, a fonti aggiornate o a un ambiente di esecuzione.
Per un agente che modifica un repository, delimita i file consentiti e il risultato richiesto. Una relazione finale utile può identificare i moduli interessati, spiegare la modifica ed elencare i risultati reali restituiti dai controlli collegati. Mantieni distinti comandi proposti, codice generato e operazioni completate. Sono esempi pratici di flussi di lavoro fondati sull'ambito documentato di sviluppo e uso degli strumenti.
Raccomandazioni di generazione
Il produttore raccomanda temperature 1.0, top_p 0.95 e top_k 40. Queste impostazioni esatte differiscono da quelle di diversi modelli conversazionali Qwen e devono restare parte della ricetta propria di Coder-Next. La configurazione pubblicata usa un'architettura Qwen3-Next di modello linguistico causale. Usa coerentemente il nome del modello e il template di chat documentati per questo checkpoint lungo tutto il flusso di programmazione.
Limiti sostanziali
L'input documentato è testuale, quindi schermate, audio o video richiedono una rappresentazione separata adeguata prima di entrare in questo flusso di programmazione. Contesto nativo e budget di generazione degli esempi sono finiti; riduci il codice non pertinente e riserva spazio per l'artefatto richiesto. Verifica sintassi generata, interfacce, casi limite e modifiche proposte nel flusso reale di sviluppo. L'output utile è un artefatto di codice o di spiegazione esaminabile, sostenuto da elementi effettivi dell'attività e con l'identità di solo testo e non-thinking di questo checkpoint preservata.
", "aboutText": "Punti di forza: un modello costruito per agenti di programmazione\n\nQwen3-Coder-Next è un modello testuale aperto progettato specificamente per agenti di programmazione e flussi di sviluppo. Qwen descrive la risoluzione di problemi su orizzonti lunghi, l'uso complesso di strumenti e il recupero da errori di esecuzione, insieme all'adattabilità a diverse strutture di supporto allo sviluppo. Accetta testo e produce testo, compresi codice, spiegazioni e richieste di strumenti. Questo esatto checkpoint Coder-Next ha un proprio contratto non-thinking; le edizioni Thinking della famiglia Next più ampia non devono sostituirlo.\n\nPer un'attività di sviluppo, fornisci i file o gli estratti pertinenti, il comportamento desiderato e l'input che dimostra un problema. Chiedi una modifica editabile e una spiegazione collegata a tali condizioni. Per un'attività articolata in più passaggi, definisci l'obiettivo, gli strumenti consentiti e le osservazioni che ne dimostrerebbero il completamento. Esamina la modifica di codice proposta e la sua spiegazione rispetto ai file forniti, all'input che causa l'errore e ai criteri di completamento.\n\nPanoramica del modello\n\nIl modello ha 80 miliardi di parametri totali e ne attiva tre miliardi. La sua struttura ibrida a 48 livelli ripete tre livelli di esperti Gated DeltaNet seguiti da un livello di esperti con attenzione con gating. Il produttore elenca 512 esperti, dieci esperti attivati e un esperto condiviso. Il numero ridotto di parametri attivati è una caratteristica computazionale del modello sparso, non la dimensione dell'intero checkpoint.\n\nIl contesto nativo è di 262,144 token. Gli esempi del produttore consentono un contesto più piccolo, come 32,768, quando i vincoli di memoria impediscono il funzionamento della configurazione più ampia. Codice sorgente, cronologia, osservazioni degli strumenti e testo generato devono rientrare nel budget di sequenza configurato. La scheda non attesta un'estensione predefinita a un milione di token per questo checkpoint.\n\nUso dell'interfaccia testuale non-thinking\n\nCoder-Next supporta soltanto la modalità non-thinking e non genera blocchi espliciti di ragionamento. Impostare enable_thinking=False non è necessario nell'esempio del produttore. Può comunque spiegare una patch, discutere un algoritmo o ragionare attraverso il testo ordinario; non-thinking descrive la modalità di output, anziché vietare una spiegazione.\n\nLa guida introduttiva chiede un algoritmo di ordinamento e usa un budget di generazione di 65,536 token. Quel valore è un budget di esempio, non un limite rigido di output pubblicato separatamente. Specifica il formato e i vincoli dell'artefatto: linguaggio, interfacce pertinenti, comportamento richiesto e se la risposta debba contenere una patch, una funzione completa o una spiegazione. Mantieni il risultato modificabile separato dal commento, così che sia facilmente verificabile.\n\nStrutture di supporto allo sviluppo e contesto\n\nIl produttore sottolinea la compatibilità con strutture di supporto per agenti in stile CLI e IDE, compreso Qwen Code. Una struttura di supporto fornisce lo stato del progetto, le definizioni degli strumenti, le osservazioni e il formato della conversazione. Conserva questi input in modo coerente durante un'attività in più passaggi. Quando uno strumento segnala un controllo fallito, fornisci l'errore effettivo e il codice modificato pertinente, anziché limitarti a dire al modello di riprovare.\n\nIl lavoro su orizzonti lunghi trae beneficio da uno stato visibile dell'attività: ciò che è stato osservato, la modifica proposta e la condizione ancora irrisolta. Un'osservazione di uno strumento è diversa da un'affermazione nel testo generato. La capacità del modello di recuperare dagli errori non va trattata come autorizzazione automatica a eseguire comandi né come garanzia che ogni recupero riesca.\n\nProgrammazione con agenti e chiamate a strumenti\n\nQwen documenta definizioni di strumenti in stile funzione con nomi, descrizioni, schemi di input e campi obbligatori. Fornisci una definizione precisa e il significato atteso del valore restituito. L'applicazione esegue uno strumento selezionato e ne restituisce il risultato; il modello usa poi tale risultato nel passaggio successivo. Le chiamate a strumenti non concedono di per sé accesso a un filesystem, a fonti aggiornate o a un ambiente di esecuzione.\n\nPer un agente che modifica un repository, delimita i file consentiti e il risultato richiesto. Una relazione finale utile può identificare i moduli interessati, spiegare la modifica ed elencare i risultati reali restituiti dai controlli collegati. Mantieni distinti comandi proposti, codice generato e operazioni completate. Sono esempi pratici di flussi di lavoro fondati sull'ambito documentato di sviluppo e uso degli strumenti.\n\nRaccomandazioni di generazione\n\nIl produttore raccomanda temperature 1.0, top_p 0.95 e top_k 40. Queste impostazioni esatte differiscono da quelle di diversi modelli conversazionali Qwen e devono restare parte della ricetta propria di Coder-Next. La configurazione pubblicata usa un'architettura Qwen3-Next di modello linguistico causale. Usa coerentemente il nome del modello e il template di chat documentati per questo checkpoint lungo tutto il flusso di programmazione.\n\nLimiti sostanziali\n\nL'input documentato è testuale, quindi schermate, audio o video richiedono una rappresentazione separata adeguata prima di entrare in questo flusso di programmazione. Contesto nativo e budget di generazione degli esempi sono finiti; riduci il codice non pertinente e riserva spazio per l'artefatto richiesto. Verifica sintassi generata, interfacce, casi limite e modifiche proposte nel flusso reale di sviluppo. L'output utile è un artefatto di codice o di spiegazione esaminabile, sostenuto da elementi effettivi dell'attività e con l'identità di solo testo e non-thinking di questo checkpoint preservata.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Implement a stable partition helper\n\nWrite a Python function partition_even(values) returning two new lists: even integers first and odd integers second. Preserve order within each list and do not mutate values. Provide tests for negative integers, repeated values and empty input. Return the complete function separately from the explanation, with no claim that tests have been executed.A complete function, tests for the named cases and a brief order-preservation explanation.Check that each input occurrence appears exactly once in the appropriate result list and that source order is retained.qwen/qwen3-coder-nextQwen3-Coder-Next è il modello di Qwen di solo testo per agenti di programmazione, con 80 miliardi di parametri totali e 3 miliardi attivati. Usa output non-thinking, contesto nativo di 262,144 token e chiamate a strumenti per flussi di sviluppo, comprese attività in più passaggi e recupero in base ai riscontri dell'esecuzione.
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.
Punti di forza: un modello costruito per agenti di programmazione
Qwen3-Coder-Next è un modello testuale aperto progettato specificamente per agenti di programmazione e flussi di sviluppo. Qwen descrive la risoluzione di problemi su orizzonti lunghi, l'uso complesso di strumenti e il recupero da errori di esecuzione, insieme all'adattabilità a diverse strutture di supporto allo sviluppo. Accetta testo e produce testo, compresi codice, spiegazioni e richieste di strumenti. Questo esatto checkpoint Coder-Next ha un proprio contratto non-thinking; le edizioni Thinking della famiglia Next più ampia non devono sostituirlo.
Per un'attività di sviluppo, fornisci i file o gli estratti pertinenti, il comportamento desiderato e l'input che dimostra un problema. Chiedi una modifica editabile e una spiegazione collegata a tali condizioni. Per un'attività articolata in più passaggi, definisci l'obiettivo, gli strumenti consentiti e le osservazioni che ne dimostrerebbero il completamento. Esamina la modifica di codice proposta e la sua spiegazione rispetto ai file forniti, all'input che causa l'errore e ai criteri di completamento.
Panoramica del modello
Il modello ha 80 miliardi di parametri totali e ne attiva tre miliardi. La sua struttura ibrida a 48 livelli ripete tre livelli di esperti Gated DeltaNet seguiti da un livello di esperti con attenzione con gating. Il produttore elenca 512 esperti, dieci esperti attivati e un esperto condiviso. Il numero ridotto di parametri attivati è una caratteristica computazionale del modello sparso, non la dimensione dell'intero checkpoint.
Il contesto nativo è di 262,144 token. Gli esempi del produttore consentono un contesto più piccolo, come 32,768, quando i vincoli di memoria impediscono il funzionamento della configurazione più ampia. Codice sorgente, cronologia, osservazioni degli strumenti e testo generato devono rientrare nel budget di sequenza configurato. La scheda non attesta un'estensione predefinita a un milione di token per questo checkpoint.
Uso dell'interfaccia testuale non-thinking
Coder-Next supporta soltanto la modalità non-thinking e non genera blocchi espliciti di ragionamento. Impostare enable_thinking=False non è necessario nell'esempio del produttore. Può comunque spiegare una patch, discutere un algoritmo o ragionare attraverso il testo ordinario; non-thinking descrive la modalità di output, anziché vietare una spiegazione.
La guida introduttiva chiede un algoritmo di ordinamento e usa un budget di generazione di 65,536 token. Quel valore è un budget di esempio, non un limite rigido di output pubblicato separatamente. Specifica il formato e i vincoli dell'artefatto: linguaggio, interfacce pertinenti, comportamento richiesto e se la risposta debba contenere una patch, una funzione completa o una spiegazione. Mantieni il risultato modificabile separato dal commento, così che sia facilmente verificabile.
Strutture di supporto allo sviluppo e contesto
Il produttore sottolinea la compatibilità con strutture di supporto per agenti in stile CLI e IDE, compreso Qwen Code. Una struttura di supporto fornisce lo stato del progetto, le definizioni degli strumenti, le osservazioni e il formato della conversazione. Conserva questi input in modo coerente durante un'attività in più passaggi. Quando uno strumento segnala un controllo fallito, fornisci l'errore effettivo e il codice modificato pertinente, anziché limitarti a dire al modello di riprovare.
Il lavoro su orizzonti lunghi trae beneficio da uno stato visibile dell'attività: ciò che è stato osservato, la modifica proposta e la condizione ancora irrisolta. Un'osservazione di uno strumento è diversa da un'affermazione nel testo generato. La capacità del modello di recuperare dagli errori non va trattata come autorizzazione automatica a eseguire comandi né come garanzia che ogni recupero riesca.
Programmazione con agenti e chiamate a strumenti
Qwen documenta definizioni di strumenti in stile funzione con nomi, descrizioni, schemi di input e campi obbligatori. Fornisci una definizione precisa e il significato atteso del valore restituito. L'applicazione esegue uno strumento selezionato e ne restituisce il risultato; il modello usa poi tale risultato nel passaggio successivo. Le chiamate a strumenti non concedono di per sé accesso a un filesystem, a fonti aggiornate o a un ambiente di esecuzione.
Per un agente che modifica un repository, delimita i file consentiti e il risultato richiesto. Una relazione finale utile può identificare i moduli interessati, spiegare la modifica ed elencare i risultati reali restituiti dai controlli collegati. Mantieni distinti comandi proposti, codice generato e operazioni completate. Sono esempi pratici di flussi di lavoro fondati sull'ambito documentato di sviluppo e uso degli strumenti.
Raccomandazioni di generazione
Il produttore raccomanda temperature 1.0, top_p 0.95 e top_k 40. Queste impostazioni esatte differiscono da quelle di diversi modelli conversazionali Qwen e devono restare parte della ricetta propria di Coder-Next. La configurazione pubblicata usa un'architettura Qwen3-Next di modello linguistico causale. Usa coerentemente il nome del modello e il template di chat documentati per questo checkpoint lungo tutto il flusso di programmazione.
Limiti sostanziali
L'input documentato è testuale, quindi schermate, audio o video richiedono una rappresentazione separata adeguata prima di entrare in questo flusso di programmazione. Contesto nativo e budget di generazione degli esempi sono finiti; riduci il codice non pertinente e riserva spazio per l'artefatto richiesto. Verifica sintassi generata, interfacce, casi limite e modifiche proposte nel flusso reale di sviluppo. L'output utile è un artefatto di codice o di spiegazione esaminabile, sostenuto da elementi effettivi dell'attività e con l'identità di solo testo e non-thinking di questo checkpoint preservata.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen/qwen3-coder-next | 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 $0.00024 / 1K token Output · Token in output $0.0016 / 1K token Input · Lettura dalla cache $0.00014 / 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 $0.00024 / 1K token Output · Token in output $0.0016 / 1K token Input · Lettura dalla cache $0.00014 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-coder-next", "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-coder-next',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-coder-next',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-coder-next
Usa i percorsi dei metodi indicati sopra.
qwen/qwen3-coder-nextQwen3-Coder-Next è il modello di Qwen di solo testo per agenti di programmazione, con 80 miliardi di parametri totali e 3 miliardi attivati. Usa output non-thinking, contesto nativo di 262,144 token e chiamate a strumenti per flussi di sviluppo, comprese attività in più passaggi e recupero in base ai riscontri dell'esecuzione.
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.
Punti di forza: un modello costruito per agenti di programmazione
Qwen3-Coder-Next è un modello testuale aperto progettato specificamente per agenti di programmazione e flussi di sviluppo. Qwen descrive la risoluzione di problemi su orizzonti lunghi, l'uso complesso di strumenti e il recupero da errori di esecuzione, insieme all'adattabilità a diverse strutture di supporto allo sviluppo. Accetta testo e produce testo, compresi codice, spiegazioni e richieste di strumenti. Questo esatto checkpoint Coder-Next ha un proprio contratto non-thinking; le edizioni Thinking della famiglia Next più ampia non devono sostituirlo.
Per un'attività di sviluppo, fornisci i file o gli estratti pertinenti, il comportamento desiderato e l'input che dimostra un problema. Chiedi una modifica editabile e una spiegazione collegata a tali condizioni. Per un'attività articolata in più passaggi, definisci l'obiettivo, gli strumenti consentiti e le osservazioni che ne dimostrerebbero il completamento. Esamina la modifica di codice proposta e la sua spiegazione rispetto ai file forniti, all'input che causa l'errore e ai criteri di completamento.
Panoramica del modello
Il modello ha 80 miliardi di parametri totali e ne attiva tre miliardi. La sua struttura ibrida a 48 livelli ripete tre livelli di esperti Gated DeltaNet seguiti da un livello di esperti con attenzione con gating. Il produttore elenca 512 esperti, dieci esperti attivati e un esperto condiviso. Il numero ridotto di parametri attivati è una caratteristica computazionale del modello sparso, non la dimensione dell'intero checkpoint.
Il contesto nativo è di 262,144 token. Gli esempi del produttore consentono un contesto più piccolo, come 32,768, quando i vincoli di memoria impediscono il funzionamento della configurazione più ampia. Codice sorgente, cronologia, osservazioni degli strumenti e testo generato devono rientrare nel budget di sequenza configurato. La scheda non attesta un'estensione predefinita a un milione di token per questo checkpoint.
Uso dell'interfaccia testuale non-thinking
Coder-Next supporta soltanto la modalità non-thinking e non genera blocchi espliciti di ragionamento. Impostare enable_thinking=False non è necessario nell'esempio del produttore. Può comunque spiegare una patch, discutere un algoritmo o ragionare attraverso il testo ordinario; non-thinking descrive la modalità di output, anziché vietare una spiegazione.
La guida introduttiva chiede un algoritmo di ordinamento e usa un budget di generazione di 65,536 token. Quel valore è un budget di esempio, non un limite rigido di output pubblicato separatamente. Specifica il formato e i vincoli dell'artefatto: linguaggio, interfacce pertinenti, comportamento richiesto e se la risposta debba contenere una patch, una funzione completa o una spiegazione. Mantieni il risultato modificabile separato dal commento, così che sia facilmente verificabile.
Strutture di supporto allo sviluppo e contesto
Il produttore sottolinea la compatibilità con strutture di supporto per agenti in stile CLI e IDE, compreso Qwen Code. Una struttura di supporto fornisce lo stato del progetto, le definizioni degli strumenti, le osservazioni e il formato della conversazione. Conserva questi input in modo coerente durante un'attività in più passaggi. Quando uno strumento segnala un controllo fallito, fornisci l'errore effettivo e il codice modificato pertinente, anziché limitarti a dire al modello di riprovare.
Il lavoro su orizzonti lunghi trae beneficio da uno stato visibile dell'attività: ciò che è stato osservato, la modifica proposta e la condizione ancora irrisolta. Un'osservazione di uno strumento è diversa da un'affermazione nel testo generato. La capacità del modello di recuperare dagli errori non va trattata come autorizzazione automatica a eseguire comandi né come garanzia che ogni recupero riesca.
Programmazione con agenti e chiamate a strumenti
Qwen documenta definizioni di strumenti in stile funzione con nomi, descrizioni, schemi di input e campi obbligatori. Fornisci una definizione precisa e il significato atteso del valore restituito. L'applicazione esegue uno strumento selezionato e ne restituisce il risultato; il modello usa poi tale risultato nel passaggio successivo. Le chiamate a strumenti non concedono di per sé accesso a un filesystem, a fonti aggiornate o a un ambiente di esecuzione.
Per un agente che modifica un repository, delimita i file consentiti e il risultato richiesto. Una relazione finale utile può identificare i moduli interessati, spiegare la modifica ed elencare i risultati reali restituiti dai controlli collegati. Mantieni distinti comandi proposti, codice generato e operazioni completate. Sono esempi pratici di flussi di lavoro fondati sull'ambito documentato di sviluppo e uso degli strumenti.
Raccomandazioni di generazione
Il produttore raccomanda temperature 1.0, top_p 0.95 e top_k 40. Queste impostazioni esatte differiscono da quelle di diversi modelli conversazionali Qwen e devono restare parte della ricetta propria di Coder-Next. La configurazione pubblicata usa un'architettura Qwen3-Next di modello linguistico causale. Usa coerentemente il nome del modello e il template di chat documentati per questo checkpoint lungo tutto il flusso di programmazione.
Limiti sostanziali
L'input documentato è testuale, quindi schermate, audio o video richiedono una rappresentazione separata adeguata prima di entrare in questo flusso di programmazione. Contesto nativo e budget di generazione degli esempi sono finiti; riduci il codice non pertinente e riserva spazio per l'artefatto richiesto. Verifica sintassi generata, interfacce, casi limite e modifiche proposte nel flusso reale di sviluppo. L'output utile è un artefatto di codice o di spiegazione esaminabile, sostenuto da elementi effettivi dell'attività e con l'identità di solo testo e non-thinking di questo checkpoint preservata.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen/qwen3-coder-next | 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 $0.00024 / 1K token Output · Token in output $0.0016 / 1K token Input · Lettura dalla cache $0.00014 / 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 $0.00024 / 1K token Output · Token in output $0.0016 / 1K token Input · Lettura dalla cache $0.00014 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "qwen/qwen3-coder-next",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-coder-next', '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-coder-next', '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-coder-next
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Implement a stable partition helper\n\nWrite a Python function partition_even(values) returning two new lists: even integers first and odd integers second. Preserve order within each list and do not mutate values. Provide tests for negative integers, repeated values and empty input. Return the complete function separately from the explanation, with no claim that tests have been executed.A complete function, tests for the named cases and a brief order-preservation explanation.Check that each input occurrence appears exactly once in the appropriate result list and that source order is retained.