Punti di forza di Qwen3-Next: istruzioni testuali dirette
Qwen3-Next-80B-A3B-Instruct è l'edizione testuale instruct, non-thinking, di Qwen3-Next. Accetta testo e restituisce testo, comprese spiegazioni, proposte di codice e artefatti documentali richiesti. Non genera blocchi espliciti di ragionamento. Mantienila distinta dall'edizione Thinking e da Qwen3-Coder-Next, specializzato nella programmazione; condividere l'architettura di una famiglia non rende intercambiabili i contratti di risposta.
La famiglia introduce un'attenzione ibrida che combina Gated DeltaNet e attenzione con gating, esperti ad alta sparsità, ottimizzazioni della stabilità tra cui la normalizzazione dei livelli centrata sullo zero e con decadimento dei pesi, e la previsione di più token. Queste modifiche riguardano la rappresentazione e l'addestramento su sequenze lunghe. La loro efficienza in inferenza dipende dall'implementazione, quindi i dati architetturali non devono diventare una garanzia fissa di latenza o capacità di elaborazione.
Panoramica del modello
Il checkpoint ha 80 miliardi di parametri totali e ne attiva tre miliardi. Ha 48 livelli organizzati secondo uno schema di esperti ripetuto con tre DeltaNet per ogni livello di attenzione con gating. Il produttore elenca 512 esperti, dieci esperti attivati e un esperto condiviso, con preaddestramento su 15 mila miliardi di token seguito da post-addestramento. I parametri attivati non corrispondono alla dimensione dell'intero checkpoint.
Il contesto nativo è di 262,144 token, con estensione documentata a 1,010,000. Gli esempi di distribuzione del produttore consentono un contesto più piccolo, come 32,768, quando i vincoli di risorse impediscono il funzionamento dell'impostazione più ampia. Testo, cronologia della conversazione, osservazioni degli strumenti e contenuti generati condividono il budget di sequenza configurato. L'estensione è un ulteriore percorso di configurazione, anziché un input illimitato predefinito.
Uso dell'interfaccia instruct
Questo modello supporta soltanto la modalità instruct, non-thinking. Può spiegare un algoritmo, mostrare calcoli o giustificare una conclusione nel testo ordinario senza produrre un blocco di ragionamento dedicato. Chiedi il formato e i confini dell'artefatto: una funzione completa, una relazione concisa, una tabella degli elementi probatori o una risposta con i passaggi a sostegno. Richiedere una spiegazione lunga non lo trasforma nel checkpoint denominato separatamente Thinking.
Per un'attività documentale, conserva gli identificatori delle sezioni e definisci le domande a cui la relazione deve rispondere. Per il codice, fornisci la funzione o il modulo pertinente, i vincoli di input e l'output atteso. Per la matematica, fornisci l'enunciato completo e richiedi un risultato finale delimitato. Confronta i calcoli, il codice o la spiegazione restituiti con le condizioni fornite e i risultati effettivi.
Implementazione e strumenti
Il produttore documenta le chiamate a strumenti e raccomanda Qwen-Agent per template e parsing, con strumenti configurati o collegati tramite MCP. Un flusso collegato può fornire recupero di informazioni, ispezione o esecuzione consentita e restituire osservazioni effettive. Specifica strumenti, azioni ammesse e condizioni visibili di completamento, poi chiedi che la relazione finale distingua le proposte dai risultati realmente restituiti.
La previsione di più token fa parte dell'addestramento, ma il suo uso in inferenza dipende dall'implementazione e non è generalmente disponibile in ogni flusso di lavoro leggero. Un template o una caratteristica architetturale non attestano di per sé l'accesso a fonti aggiornate, file o un ambiente di programmazione. Conserva l'esatto modello e il formato di conversazione utilizzati dall'interfaccia scelta.
Testi estremamente lunghi
Il produttore convalida un contesto di circa un milione di token con YaRN e fornisce una ricetta con fattore quattro basata su 262,144 posizioni native. Per carichi di lavoro da 524,288 token suggerisce un fattore due. Il ridimensionamento statico può ridurre le prestazioni con testi più brevi, quindi la configurazione deve rispondere all'esigenza effettiva di input più lunghi.
Organizza il materiale lungo per documento, percorso del codice o sezione ed elimina le ripetizioni non pertinenti. Chiedi che la risposta identifichi i passaggi o le condizioni a sostegno. Riserva spazio per la risposta, anziché trattare il valore massimo del contesto come memoria completa di ogni dettaglio fornito. Il dato pubblicato di estensione a 1,010,000 e la convalida attorno a un milione restano circoscritti al flusso di lavoro a contesto lungo del produttore.
Indicazioni di generazione
Le Best Practices raccomandano temperature 0.7, top_p 0.8, top_k 20 e min_p 0. Ove supportata, una presence penalty compresa tra zero e due può ridurre il testo ripetuto, ma valori più alti possono mescolare le lingue o ridurre leggermente la qualità. Il produttore raccomanda un budget di output di 16,384 token per la maggior parte delle richieste. È un budget di generazione raccomandato, non un massimo rigido indipendente; non deve ereditare i budget più lunghi dell'edizione Thinking.
Specifica esplicitamente la forma del risultato, ad esempio un delimitatore matematico o un campo di risposta. Mantieni l'artefatto finale facile da esaminare e verificane calcoli, citazioni o codice rispetto alla fonte. Questa edizione di solo testo non accetta immagini, audio o video come proprio input, quindi tali materiali richiedono una rappresentazione separata adeguata prima di poter sostenere l'attività.
Risultato pratico
L'output utile è un artefatto testuale concreto fondato sulle condizioni fornite: una spiegazione documentale, una proposta di codice o una risposta diretta con i dettagli a sostegno richiesti. Il contesto lungo e le chiamate a strumenti possono aiutare a trasportare più elementi probatori nel flusso di lavoro, mentre il contratto non-thinking mantiene chiaro lo stile di output di questa esatta edizione. Verifica il risultato nell'ambiente reale dell'attività, anziché dedurne la correttezza dalla lunghezza o da una formulazione sicura.
", "aboutText": "Punti di forza di Qwen3-Next: istruzioni testuali dirette\n\nQwen3-Next-80B-A3B-Instruct è l'edizione testuale instruct, non-thinking, di Qwen3-Next. Accetta testo e restituisce testo, comprese spiegazioni, proposte di codice e artefatti documentali richiesti. Non genera blocchi espliciti di ragionamento. Mantienila distinta dall'edizione Thinking e da Qwen3-Coder-Next, specializzato nella programmazione; condividere l'architettura di una famiglia non rende intercambiabili i contratti di risposta.\n\nLa famiglia introduce un'attenzione ibrida che combina Gated DeltaNet e attenzione con gating, esperti ad alta sparsità, ottimizzazioni della stabilità tra cui la normalizzazione dei livelli centrata sullo zero e con decadimento dei pesi, e la previsione di più token. Queste modifiche riguardano la rappresentazione e l'addestramento su sequenze lunghe. La loro efficienza in inferenza dipende dall'implementazione, quindi i dati architetturali non devono diventare una garanzia fissa di latenza o capacità di elaborazione.\n\nPanoramica del modello\n\nIl checkpoint ha 80 miliardi di parametri totali e ne attiva tre miliardi. Ha 48 livelli organizzati secondo uno schema di esperti ripetuto con tre DeltaNet per ogni livello di attenzione con gating. Il produttore elenca 512 esperti, dieci esperti attivati e un esperto condiviso, con preaddestramento su 15 mila miliardi di token seguito da post-addestramento. I parametri attivati non corrispondono alla dimensione dell'intero checkpoint.\n\nIl contesto nativo è di 262,144 token, con estensione documentata a 1,010,000. Gli esempi di distribuzione del produttore consentono un contesto più piccolo, come 32,768, quando i vincoli di risorse impediscono il funzionamento dell'impostazione più ampia. Testo, cronologia della conversazione, osservazioni degli strumenti e contenuti generati condividono il budget di sequenza configurato. L'estensione è un ulteriore percorso di configurazione, anziché un input illimitato predefinito.\n\nUso dell'interfaccia instruct\n\nQuesto modello supporta soltanto la modalità instruct, non-thinking. Può spiegare un algoritmo, mostrare calcoli o giustificare una conclusione nel testo ordinario senza produrre un blocco di ragionamento dedicato. Chiedi il formato e i confini dell'artefatto: una funzione completa, una relazione concisa, una tabella degli elementi probatori o una risposta con i passaggi a sostegno. Richiedere una spiegazione lunga non lo trasforma nel checkpoint denominato separatamente Thinking.\n\nPer un'attività documentale, conserva gli identificatori delle sezioni e definisci le domande a cui la relazione deve rispondere. Per il codice, fornisci la funzione o il modulo pertinente, i vincoli di input e l'output atteso. Per la matematica, fornisci l'enunciato completo e richiedi un risultato finale delimitato. Confronta i calcoli, il codice o la spiegazione restituiti con le condizioni fornite e i risultati effettivi.\n\nImplementazione e strumenti\n\nIl produttore documenta le chiamate a strumenti e raccomanda Qwen-Agent per template e parsing, con strumenti configurati o collegati tramite MCP. Un flusso collegato può fornire recupero di informazioni, ispezione o esecuzione consentita e restituire osservazioni effettive. Specifica strumenti, azioni ammesse e condizioni visibili di completamento, poi chiedi che la relazione finale distingua le proposte dai risultati realmente restituiti.\n\nLa previsione di più token fa parte dell'addestramento, ma il suo uso in inferenza dipende dall'implementazione e non è generalmente disponibile in ogni flusso di lavoro leggero. Un template o una caratteristica architetturale non attestano di per sé l'accesso a fonti aggiornate, file o un ambiente di programmazione. Conserva l'esatto modello e il formato di conversazione utilizzati dall'interfaccia scelta.\n\nTesti estremamente lunghi\n\nIl produttore convalida un contesto di circa un milione di token con YaRN e fornisce una ricetta con fattore quattro basata su 262,144 posizioni native. Per carichi di lavoro da 524,288 token suggerisce un fattore due. Il ridimensionamento statico può ridurre le prestazioni con testi più brevi, quindi la configurazione deve rispondere all'esigenza effettiva di input più lunghi.\n\nOrganizza il materiale lungo per documento, percorso del codice o sezione ed elimina le ripetizioni non pertinenti. Chiedi che la risposta identifichi i passaggi o le condizioni a sostegno. Riserva spazio per la risposta, anziché trattare il valore massimo del contesto come memoria completa di ogni dettaglio fornito. Il dato pubblicato di estensione a 1,010,000 e la convalida attorno a un milione restano circoscritti al flusso di lavoro a contesto lungo del produttore.\n\nIndicazioni di generazione\n\nLe Best Practices raccomandano temperature 0.7, top_p 0.8, top_k 20 e min_p 0. Ove supportata, una presence penalty compresa tra zero e due può ridurre il testo ripetuto, ma valori più alti possono mescolare le lingue o ridurre leggermente la qualità. Il produttore raccomanda un budget di output di 16,384 token per la maggior parte delle richieste. È un budget di generazione raccomandato, non un massimo rigido indipendente; non deve ereditare i budget più lunghi dell'edizione Thinking.\n\nSpecifica esplicitamente la forma del risultato, ad esempio un delimitatore matematico o un campo di risposta. Mantieni l'artefatto finale facile da esaminare e verificane calcoli, citazioni o codice rispetto alla fonte. Questa edizione di solo testo non accetta immagini, audio o video come proprio input, quindi tali materiali richiedono una rappresentazione separata adeguata prima di poter sostenere l'attività.\n\nRisultato pratico\n\nL'output utile è un artefatto testuale concreto fondato sulle condizioni fornite: una spiegazione documentale, una proposta di codice o una risposta diretta con i dettagli a sostegno richiesti. Il contesto lungo e le chiamate a strumenti possono aiutare a trasportare più elementi probatori nel flusso di lavoro, mentre il contratto non-thinking mantiene chiaro lo stile di output di questa esatta edizione. Verifica il risultato nell'ambiente reale dell'attività, anziché dedurne la correttezza dalla lunghezza o da una formulazione sicura.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Explain a section-specific decision\n\nAnswer only from these procedure sections. Section 2: standard purchases need a manager's approval. Section 4: emergency safety purchases may proceed first, but must be reported to that manager within one day. Case: a broken emergency exit light needs replacement today. Give a concise recommendation with section references and identify the follow-up obligation. Do not invent an approval already granted.A direct recommendation with supporting sections and the one-day reporting obligation.The emergency exception retains its reporting condition and is not generalised to all purchases.qwen/qwen3-next-80b-a3b-instructQwen3-Next-80B-A3B-Instruct è l'edizione testuale non-thinking di Qwen con 80 miliardi di parametri totali e 3 miliardi attivati. Combina attenzione ibrida, esperti sparsi e chiamate a strumenti con un contesto nativo di 262,144 token, estendibile a 1,010,000 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.
Punti di forza di Qwen3-Next: istruzioni testuali dirette
Qwen3-Next-80B-A3B-Instruct è l'edizione testuale instruct, non-thinking, di Qwen3-Next. Accetta testo e restituisce testo, comprese spiegazioni, proposte di codice e artefatti documentali richiesti. Non genera blocchi espliciti di ragionamento. Mantienila distinta dall'edizione Thinking e da Qwen3-Coder-Next, specializzato nella programmazione; condividere l'architettura di una famiglia non rende intercambiabili i contratti di risposta.
La famiglia introduce un'attenzione ibrida che combina Gated DeltaNet e attenzione con gating, esperti ad alta sparsità, ottimizzazioni della stabilità tra cui la normalizzazione dei livelli centrata sullo zero e con decadimento dei pesi, e la previsione di più token. Queste modifiche riguardano la rappresentazione e l'addestramento su sequenze lunghe. La loro efficienza in inferenza dipende dall'implementazione, quindi i dati architetturali non devono diventare una garanzia fissa di latenza o capacità di elaborazione.
Panoramica del modello
Il checkpoint ha 80 miliardi di parametri totali e ne attiva tre miliardi. Ha 48 livelli organizzati secondo uno schema di esperti ripetuto con tre DeltaNet per ogni livello di attenzione con gating. Il produttore elenca 512 esperti, dieci esperti attivati e un esperto condiviso, con preaddestramento su 15 mila miliardi di token seguito da post-addestramento. I parametri attivati non corrispondono alla dimensione dell'intero checkpoint.
Il contesto nativo è di 262,144 token, con estensione documentata a 1,010,000. Gli esempi di distribuzione del produttore consentono un contesto più piccolo, come 32,768, quando i vincoli di risorse impediscono il funzionamento dell'impostazione più ampia. Testo, cronologia della conversazione, osservazioni degli strumenti e contenuti generati condividono il budget di sequenza configurato. L'estensione è un ulteriore percorso di configurazione, anziché un input illimitato predefinito.
Uso dell'interfaccia instruct
Questo modello supporta soltanto la modalità instruct, non-thinking. Può spiegare un algoritmo, mostrare calcoli o giustificare una conclusione nel testo ordinario senza produrre un blocco di ragionamento dedicato. Chiedi il formato e i confini dell'artefatto: una funzione completa, una relazione concisa, una tabella degli elementi probatori o una risposta con i passaggi a sostegno. Richiedere una spiegazione lunga non lo trasforma nel checkpoint denominato separatamente Thinking.
Per un'attività documentale, conserva gli identificatori delle sezioni e definisci le domande a cui la relazione deve rispondere. Per il codice, fornisci la funzione o il modulo pertinente, i vincoli di input e l'output atteso. Per la matematica, fornisci l'enunciato completo e richiedi un risultato finale delimitato. Confronta i calcoli, il codice o la spiegazione restituiti con le condizioni fornite e i risultati effettivi.
Implementazione e strumenti
Il produttore documenta le chiamate a strumenti e raccomanda Qwen-Agent per template e parsing, con strumenti configurati o collegati tramite MCP. Un flusso collegato può fornire recupero di informazioni, ispezione o esecuzione consentita e restituire osservazioni effettive. Specifica strumenti, azioni ammesse e condizioni visibili di completamento, poi chiedi che la relazione finale distingua le proposte dai risultati realmente restituiti.
La previsione di più token fa parte dell'addestramento, ma il suo uso in inferenza dipende dall'implementazione e non è generalmente disponibile in ogni flusso di lavoro leggero. Un template o una caratteristica architetturale non attestano di per sé l'accesso a fonti aggiornate, file o un ambiente di programmazione. Conserva l'esatto modello e il formato di conversazione utilizzati dall'interfaccia scelta.
Testi estremamente lunghi
Il produttore convalida un contesto di circa un milione di token con YaRN e fornisce una ricetta con fattore quattro basata su 262,144 posizioni native. Per carichi di lavoro da 524,288 token suggerisce un fattore due. Il ridimensionamento statico può ridurre le prestazioni con testi più brevi, quindi la configurazione deve rispondere all'esigenza effettiva di input più lunghi.
Organizza il materiale lungo per documento, percorso del codice o sezione ed elimina le ripetizioni non pertinenti. Chiedi che la risposta identifichi i passaggi o le condizioni a sostegno. Riserva spazio per la risposta, anziché trattare il valore massimo del contesto come memoria completa di ogni dettaglio fornito. Il dato pubblicato di estensione a 1,010,000 e la convalida attorno a un milione restano circoscritti al flusso di lavoro a contesto lungo del produttore.
Indicazioni di generazione
Le Best Practices raccomandano temperature 0.7, top_p 0.8, top_k 20 e min_p 0. Ove supportata, una presence penalty compresa tra zero e due può ridurre il testo ripetuto, ma valori più alti possono mescolare le lingue o ridurre leggermente la qualità. Il produttore raccomanda un budget di output di 16,384 token per la maggior parte delle richieste. È un budget di generazione raccomandato, non un massimo rigido indipendente; non deve ereditare i budget più lunghi dell'edizione Thinking.
Specifica esplicitamente la forma del risultato, ad esempio un delimitatore matematico o un campo di risposta. Mantieni l'artefatto finale facile da esaminare e verificane calcoli, citazioni o codice rispetto alla fonte. Questa edizione di solo testo non accetta immagini, audio o video come proprio input, quindi tali materiali richiedono una rappresentazione separata adeguata prima di poter sostenere l'attività.
Risultato pratico
L'output utile è un artefatto testuale concreto fondato sulle condizioni fornite: una spiegazione documentale, una proposta di codice o una risposta diretta con i dettagli a sostegno richiesti. Il contesto lungo e le chiamate a strumenti possono aiutare a trasportare più elementi probatori nel flusso di lavoro, mentre il contratto non-thinking mantiene chiaro lo stile di output di questa esatta edizione. Verifica il risultato nell'ambiente reale dell'attività, anziché dedurne la correttezza dalla lunghezza o da una formulazione sicura.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen/qwen3-next-80b-a3b-instruct | 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 $0.000286 / 1K token Output · Token in output $0.0022 / 1K token Input · Lettura dalla cache $0.00014 / 1K token Input · Scrittura nella cache $0 / 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 $0.000286 / 1K token Output · Token in output $0.0022 / 1K token Input · Lettura dalla cache $0.00014 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-next-80b-a3b-instruct", "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-next-80b-a3b-instruct',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-next-80b-a3b-instruct',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-next-80b-a3b-instruct
Usa i percorsi dei metodi indicati sopra.
qwen/qwen3-next-80b-a3b-instructQwen3-Next-80B-A3B-Instruct è l'edizione testuale non-thinking di Qwen con 80 miliardi di parametri totali e 3 miliardi attivati. Combina attenzione ibrida, esperti sparsi e chiamate a strumenti con un contesto nativo di 262,144 token, estendibile a 1,010,000 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.
Punti di forza di Qwen3-Next: istruzioni testuali dirette
Qwen3-Next-80B-A3B-Instruct è l'edizione testuale instruct, non-thinking, di Qwen3-Next. Accetta testo e restituisce testo, comprese spiegazioni, proposte di codice e artefatti documentali richiesti. Non genera blocchi espliciti di ragionamento. Mantienila distinta dall'edizione Thinking e da Qwen3-Coder-Next, specializzato nella programmazione; condividere l'architettura di una famiglia non rende intercambiabili i contratti di risposta.
La famiglia introduce un'attenzione ibrida che combina Gated DeltaNet e attenzione con gating, esperti ad alta sparsità, ottimizzazioni della stabilità tra cui la normalizzazione dei livelli centrata sullo zero e con decadimento dei pesi, e la previsione di più token. Queste modifiche riguardano la rappresentazione e l'addestramento su sequenze lunghe. La loro efficienza in inferenza dipende dall'implementazione, quindi i dati architetturali non devono diventare una garanzia fissa di latenza o capacità di elaborazione.
Panoramica del modello
Il checkpoint ha 80 miliardi di parametri totali e ne attiva tre miliardi. Ha 48 livelli organizzati secondo uno schema di esperti ripetuto con tre DeltaNet per ogni livello di attenzione con gating. Il produttore elenca 512 esperti, dieci esperti attivati e un esperto condiviso, con preaddestramento su 15 mila miliardi di token seguito da post-addestramento. I parametri attivati non corrispondono alla dimensione dell'intero checkpoint.
Il contesto nativo è di 262,144 token, con estensione documentata a 1,010,000. Gli esempi di distribuzione del produttore consentono un contesto più piccolo, come 32,768, quando i vincoli di risorse impediscono il funzionamento dell'impostazione più ampia. Testo, cronologia della conversazione, osservazioni degli strumenti e contenuti generati condividono il budget di sequenza configurato. L'estensione è un ulteriore percorso di configurazione, anziché un input illimitato predefinito.
Uso dell'interfaccia instruct
Questo modello supporta soltanto la modalità instruct, non-thinking. Può spiegare un algoritmo, mostrare calcoli o giustificare una conclusione nel testo ordinario senza produrre un blocco di ragionamento dedicato. Chiedi il formato e i confini dell'artefatto: una funzione completa, una relazione concisa, una tabella degli elementi probatori o una risposta con i passaggi a sostegno. Richiedere una spiegazione lunga non lo trasforma nel checkpoint denominato separatamente Thinking.
Per un'attività documentale, conserva gli identificatori delle sezioni e definisci le domande a cui la relazione deve rispondere. Per il codice, fornisci la funzione o il modulo pertinente, i vincoli di input e l'output atteso. Per la matematica, fornisci l'enunciato completo e richiedi un risultato finale delimitato. Confronta i calcoli, il codice o la spiegazione restituiti con le condizioni fornite e i risultati effettivi.
Implementazione e strumenti
Il produttore documenta le chiamate a strumenti e raccomanda Qwen-Agent per template e parsing, con strumenti configurati o collegati tramite MCP. Un flusso collegato può fornire recupero di informazioni, ispezione o esecuzione consentita e restituire osservazioni effettive. Specifica strumenti, azioni ammesse e condizioni visibili di completamento, poi chiedi che la relazione finale distingua le proposte dai risultati realmente restituiti.
La previsione di più token fa parte dell'addestramento, ma il suo uso in inferenza dipende dall'implementazione e non è generalmente disponibile in ogni flusso di lavoro leggero. Un template o una caratteristica architetturale non attestano di per sé l'accesso a fonti aggiornate, file o un ambiente di programmazione. Conserva l'esatto modello e il formato di conversazione utilizzati dall'interfaccia scelta.
Testi estremamente lunghi
Il produttore convalida un contesto di circa un milione di token con YaRN e fornisce una ricetta con fattore quattro basata su 262,144 posizioni native. Per carichi di lavoro da 524,288 token suggerisce un fattore due. Il ridimensionamento statico può ridurre le prestazioni con testi più brevi, quindi la configurazione deve rispondere all'esigenza effettiva di input più lunghi.
Organizza il materiale lungo per documento, percorso del codice o sezione ed elimina le ripetizioni non pertinenti. Chiedi che la risposta identifichi i passaggi o le condizioni a sostegno. Riserva spazio per la risposta, anziché trattare il valore massimo del contesto come memoria completa di ogni dettaglio fornito. Il dato pubblicato di estensione a 1,010,000 e la convalida attorno a un milione restano circoscritti al flusso di lavoro a contesto lungo del produttore.
Indicazioni di generazione
Le Best Practices raccomandano temperature 0.7, top_p 0.8, top_k 20 e min_p 0. Ove supportata, una presence penalty compresa tra zero e due può ridurre il testo ripetuto, ma valori più alti possono mescolare le lingue o ridurre leggermente la qualità. Il produttore raccomanda un budget di output di 16,384 token per la maggior parte delle richieste. È un budget di generazione raccomandato, non un massimo rigido indipendente; non deve ereditare i budget più lunghi dell'edizione Thinking.
Specifica esplicitamente la forma del risultato, ad esempio un delimitatore matematico o un campo di risposta. Mantieni l'artefatto finale facile da esaminare e verificane calcoli, citazioni o codice rispetto alla fonte. Questa edizione di solo testo non accetta immagini, audio o video come proprio input, quindi tali materiali richiedono una rappresentazione separata adeguata prima di poter sostenere l'attività.
Risultato pratico
L'output utile è un artefatto testuale concreto fondato sulle condizioni fornite: una spiegazione documentale, una proposta di codice o una risposta diretta con i dettagli a sostegno richiesti. Il contesto lungo e le chiamate a strumenti possono aiutare a trasportare più elementi probatori nel flusso di lavoro, mentre il contratto non-thinking mantiene chiaro lo stile di output di questa esatta edizione. Verifica il risultato nell'ambiente reale dell'attività, anziché dedurne la correttezza dalla lunghezza o da una formulazione sicura.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen/qwen3-next-80b-a3b-instruct | 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 $0.000286 / 1K token Output · Token in output $0.0022 / 1K token Input · Lettura dalla cache $0.00014 / 1K token Input · Scrittura nella cache $0 / 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 $0.000286 / 1K token Output · Token in output $0.0022 / 1K token Input · Lettura dalla cache $0.00014 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "qwen/qwen3-next-80b-a3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-next-80b-a3b-instruct', '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-next-80b-a3b-instruct', '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-next-80b-a3b-instruct
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Explain a section-specific decision\n\nAnswer only from these procedure sections. Section 2: standard purchases need a manager's approval. Section 4: emergency safety purchases may proceed first, but must be reported to that manager within one day. Case: a broken emergency exit light needs replacement today. Give a concise recommendation with section references and identify the follow-up obligation. Do not invent an approval already granted.A direct recommendation with supporting sections and the one-day reporting obligation.The emergency exception retains its reporting condition and is not generalised to all purchases.