Punti di forza di Qwen3-Next: ragionamento testuale complesso
Qwen3-Next-80B-A3B-Thinking è l'edizione testuale di Qwen3-Next con la sola modalità thinking. Il produttore la raccomanda per attività di ragionamento altamente complesse e segnala che il suo ragionamento può essere più lungo rispetto ai modelli precedenti. Accetta testo e restituisce testo, compresa una risposta spiegata o una proposta di codice. Mantienila distinta da Qwen3-Next-80B-A3B-Instruct e Qwen3-Coder-Next, i cui contratti non-thinking sono diversi.
La famiglia introduce un'attenzione ibrida che combina Gated DeltaNet e attenzione con gating, esperti ad alta sparsità, tecniche di stabilità come la normalizzazione dei livelli centrata sullo zero e con decadimento dei pesi, e la previsione di più token. Qwen descrive inoltre la stabilizzazione dell'apprendimento per rinforzo tramite GSPO. Sono caratteristiche dell'addestramento e dell'architettura; i guadagni di efficienza dipendono dall'implementazione e non devono diventare un'affermazione universale sui tempi di risposta.
Panoramica del modello
Il modello ha 80 miliardi di parametri totali e ne attiva tre miliardi. Ha 48 livelli organizzati secondo uno schema di esperti 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. Testo di origine, messaggi storici, osservazioni degli strumenti, ragionamento e output finale condividono il budget di sequenza configurato. Per ragionamenti complessi, il produttore consiglia un contesto configurato superiore a 131,072 ove possibile, anche se una finestra più piccola ridurrebbe la pressione sulla memoria.
Uso dell'interfaccia con la sola modalità thinking
Il template di chat predefinito include già il marcatore di apertura del ragionamento. Una sequenza restituita può quindi contenere il marcatore di chiusura senza ripetere quello di apertura. È la normale formattazione della ricetta del produttore, non la prova che il ragionamento sia assente. Il modello supporta soltanto la modalità thinking; chiedere una risposta finale concisa non lo converte in un'edizione non-thinking.
Per un problema matematico o logico, fornisci l'enunciato completo, le definizioni, le unità di misura e le ipotesi ammesse. Chiedi una risposta finale chiaramente delimitata, con i passaggi a sostegno necessari per verificarla. Per il ragionamento sul codice, fornisci la funzione pertinente, l'input e il comportamento desiderato, poi richiedi una proposta spiegata. Confronta i calcoli a sostegno o la patch proposta con le condizioni fornite e i risultati effettivi.
Implementazione e strumenti
Gli esempi del produttore supportano flussi di sviluppo e uso degli strumenti e raccomandano Qwen-Agent per i template e il parsing degli strumenti, con strumenti configurati o collegati tramite MCP. Definisci gli strumenti consentiti, l'obiettivo dell'attività e la condizione osservabile di completamento. L'applicazione esegue le azioni esterne e restituisce osservazioni effettive; il modello può poi usare tale riscontro nella risposta successiva.
La previsione di più token fa parte dell'addestramento, ma il suo impiego durante l'inferenza dipende dall'implementazione e non è generalmente disponibile in ogni flusso di lavoro leggero. Conserva questa distinzione quando valuti una distribuzione. La sola capacità di usare strumenti o una caratteristica architetturale non attestano l'accesso a file, fonti aggiornate o un ambiente di esecuzione tramite un'altra applicazione.
Testi estremamente lunghi
L'estensione documentata usa YaRN. Il produttore convalida un contesto di circa un milione di token e fornisce una ricetta con fattore quattro basata sulle 262,144 posizioni native; per carichi di lavoro da 524,288 token suggerisce un fattore due. Il ridimensionamento statico può influire sulle prestazioni con testi più brevi, quindi deve rispondere all'esigenza effettiva di input più lunghi.
Organizza un input ampio con separazioni tra documenti e identificatori del codice o delle sezioni. Specifica la domanda e l'artefatto atteso, così che il modello possa collegare gli elementi pertinenti anziché trattare l'intera finestra come sostituto di un compito chiaro. Riserva spazio per il suo ragionamento potenzialmente lungo e per il risultato finale.
Indicazioni di generazione
Le Best Practices raccomandano temperature 0.6, top_p 0.95, 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. Qwen raccomanda un budget di generazione di 32,768 token per la maggior parte delle domande e di 81,920 per attività matematiche o di programmazione insolitamente complesse. Sono raccomandazioni, non limiti rigidi indipendenti di output.
Specifica esplicitamente il formato della risposta finale, ad esempio un risultato matematico delimitato o un campo di risposta. Il produttore raccomanda di conservare nei messaggi storici dell'assistente gli output finali senza il contenuto di ragionamento, seguendo il template di questo checkpoint. Le opzioni dei modelli successivi per conservare il ragionamento storico non devono essere importate automaticamente.
Limiti sostanziali
Questo è un modello di solo testo. Immagini, audio o video richiedono una rappresentazione separata adeguata prima di poter fungere da elementi probatori in questo flusso di lavoro. Ragionamento lungo e contesto sono risorse finite e un ragionamento dettagliato non prova autonomamente la correttezza di un risultato. Verifica ipotesi, calcoli e codice generato rispetto alla fonte fornita. Il risultato utile è una risposta o un artefatto verificabile, i cui elementi a sostegno restano visibili e la cui identità con la sola modalità thinking è preservata.
", "aboutText": "Punti di forza di Qwen3-Next: ragionamento testuale complesso\n\nQwen3-Next-80B-A3B-Thinking è l'edizione testuale di Qwen3-Next con la sola modalità thinking. Il produttore la raccomanda per attività di ragionamento altamente complesse e segnala che il suo ragionamento può essere più lungo rispetto ai modelli precedenti. Accetta testo e restituisce testo, compresa una risposta spiegata o una proposta di codice. Mantienila distinta da Qwen3-Next-80B-A3B-Instruct e Qwen3-Coder-Next, i cui contratti non-thinking sono diversi.\n\nLa famiglia introduce un'attenzione ibrida che combina Gated DeltaNet e attenzione con gating, esperti ad alta sparsità, tecniche di stabilità come la normalizzazione dei livelli centrata sullo zero e con decadimento dei pesi, e la previsione di più token. Qwen descrive inoltre la stabilizzazione dell'apprendimento per rinforzo tramite GSPO. Sono caratteristiche dell'addestramento e dell'architettura; i guadagni di efficienza dipendono dall'implementazione e non devono diventare un'affermazione universale sui tempi di risposta.\n\nPanoramica del modello\n\nIl modello ha 80 miliardi di parametri totali e ne attiva tre miliardi. Ha 48 livelli organizzati secondo uno schema di esperti 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. Testo di origine, messaggi storici, osservazioni degli strumenti, ragionamento e output finale condividono il budget di sequenza configurato. Per ragionamenti complessi, il produttore consiglia un contesto configurato superiore a 131,072 ove possibile, anche se una finestra più piccola ridurrebbe la pressione sulla memoria.\n\nUso dell'interfaccia con la sola modalità thinking\n\nIl template di chat predefinito include già il marcatore di apertura del ragionamento. Una sequenza restituita può quindi contenere il marcatore di chiusura senza ripetere quello di apertura. È la normale formattazione della ricetta del produttore, non la prova che il ragionamento sia assente. Il modello supporta soltanto la modalità thinking; chiedere una risposta finale concisa non lo converte in un'edizione non-thinking.\n\nPer un problema matematico o logico, fornisci l'enunciato completo, le definizioni, le unità di misura e le ipotesi ammesse. Chiedi una risposta finale chiaramente delimitata, con i passaggi a sostegno necessari per verificarla. Per il ragionamento sul codice, fornisci la funzione pertinente, l'input e il comportamento desiderato, poi richiedi una proposta spiegata. Confronta i calcoli a sostegno o la patch proposta con le condizioni fornite e i risultati effettivi.\n\nImplementazione e strumenti\n\nGli esempi del produttore supportano flussi di sviluppo e uso degli strumenti e raccomandano Qwen-Agent per i template e il parsing degli strumenti, con strumenti configurati o collegati tramite MCP. Definisci gli strumenti consentiti, l'obiettivo dell'attività e la condizione osservabile di completamento. L'applicazione esegue le azioni esterne e restituisce osservazioni effettive; il modello può poi usare tale riscontro nella risposta successiva.\n\nLa previsione di più token fa parte dell'addestramento, ma il suo impiego durante l'inferenza dipende dall'implementazione e non è generalmente disponibile in ogni flusso di lavoro leggero. Conserva questa distinzione quando valuti una distribuzione. La sola capacità di usare strumenti o una caratteristica architetturale non attestano l'accesso a file, fonti aggiornate o un ambiente di esecuzione tramite un'altra applicazione.\n\nTesti estremamente lunghi\n\nL'estensione documentata usa YaRN. Il produttore convalida un contesto di circa un milione di token e fornisce una ricetta con fattore quattro basata sulle 262,144 posizioni native; per carichi di lavoro da 524,288 token suggerisce un fattore due. Il ridimensionamento statico può influire sulle prestazioni con testi più brevi, quindi deve rispondere all'esigenza effettiva di input più lunghi.\n\nOrganizza un input ampio con separazioni tra documenti e identificatori del codice o delle sezioni. Specifica la domanda e l'artefatto atteso, così che il modello possa collegare gli elementi pertinenti anziché trattare l'intera finestra come sostituto di un compito chiaro. Riserva spazio per il suo ragionamento potenzialmente lungo e per il risultato finale.\n\nIndicazioni di generazione\n\nLe Best Practices raccomandano temperature 0.6, top_p 0.95, 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. Qwen raccomanda un budget di generazione di 32,768 token per la maggior parte delle domande e di 81,920 per attività matematiche o di programmazione insolitamente complesse. Sono raccomandazioni, non limiti rigidi indipendenti di output.\n\nSpecifica esplicitamente il formato della risposta finale, ad esempio un risultato matematico delimitato o un campo di risposta. Il produttore raccomanda di conservare nei messaggi storici dell'assistente gli output finali senza il contenuto di ragionamento, seguendo il template di questo checkpoint. Le opzioni dei modelli successivi per conservare il ragionamento storico non devono essere importate automaticamente.\n\nLimiti sostanziali\n\nQuesto è un modello di solo testo. Immagini, audio o video richiedono una rappresentazione separata adeguata prima di poter fungere da elementi probatori in questo flusso di lavoro. Ragionamento lungo e contesto sono risorse finite e un ragionamento dettagliato non prova autonomamente la correttezza di un risultato. Verifica ipotesi, calcoli e codice generato rispetto alla fonte fornita. Il risultato utile è una risposta o un artefatto verificabile, i cui elementi a sostegno restano visibili e la cui identità con la sola modalità thinking è preservata.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Identify what a logic puzzle actually determines\n\nExactly one of A, B and C took a key, and exactly one statement is true. A says, 'B took it.' B says, 'C took it.' C says, 'I did not take it.' Determine every possible culprit consistent with these premises. Show a truth table and state whether the culprit is uniquely determined.A three-case truth table and the complete set of consistent culprits with a uniqueness conclusion.The table checks exactly one true statement in each candidate case and preserves multiple solutions if the premises allow them.qwen/qwen3-next-80b-a3b-thinkingQwen3-Next-80B-A3B-Thinking è il modello di ragionamento testuale di Qwen con 80 miliardi di parametri totali e 3 miliardi attivati. Usa soltanto la modalità thinking, attenzione ibrida ed esperti sparsi per attività complesse, con un contesto nativo di 262,144 token ed estensione condizionata a 1,010,000.
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: ragionamento testuale complesso
Qwen3-Next-80B-A3B-Thinking è l'edizione testuale di Qwen3-Next con la sola modalità thinking. Il produttore la raccomanda per attività di ragionamento altamente complesse e segnala che il suo ragionamento può essere più lungo rispetto ai modelli precedenti. Accetta testo e restituisce testo, compresa una risposta spiegata o una proposta di codice. Mantienila distinta da Qwen3-Next-80B-A3B-Instruct e Qwen3-Coder-Next, i cui contratti non-thinking sono diversi.
La famiglia introduce un'attenzione ibrida che combina Gated DeltaNet e attenzione con gating, esperti ad alta sparsità, tecniche di stabilità come la normalizzazione dei livelli centrata sullo zero e con decadimento dei pesi, e la previsione di più token. Qwen descrive inoltre la stabilizzazione dell'apprendimento per rinforzo tramite GSPO. Sono caratteristiche dell'addestramento e dell'architettura; i guadagni di efficienza dipendono dall'implementazione e non devono diventare un'affermazione universale sui tempi di risposta.
Panoramica del modello
Il modello ha 80 miliardi di parametri totali e ne attiva tre miliardi. Ha 48 livelli organizzati secondo uno schema di esperti 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. Testo di origine, messaggi storici, osservazioni degli strumenti, ragionamento e output finale condividono il budget di sequenza configurato. Per ragionamenti complessi, il produttore consiglia un contesto configurato superiore a 131,072 ove possibile, anche se una finestra più piccola ridurrebbe la pressione sulla memoria.
Uso dell'interfaccia con la sola modalità thinking
Il template di chat predefinito include già il marcatore di apertura del ragionamento. Una sequenza restituita può quindi contenere il marcatore di chiusura senza ripetere quello di apertura. È la normale formattazione della ricetta del produttore, non la prova che il ragionamento sia assente. Il modello supporta soltanto la modalità thinking; chiedere una risposta finale concisa non lo converte in un'edizione non-thinking.
Per un problema matematico o logico, fornisci l'enunciato completo, le definizioni, le unità di misura e le ipotesi ammesse. Chiedi una risposta finale chiaramente delimitata, con i passaggi a sostegno necessari per verificarla. Per il ragionamento sul codice, fornisci la funzione pertinente, l'input e il comportamento desiderato, poi richiedi una proposta spiegata. Confronta i calcoli a sostegno o la patch proposta con le condizioni fornite e i risultati effettivi.
Implementazione e strumenti
Gli esempi del produttore supportano flussi di sviluppo e uso degli strumenti e raccomandano Qwen-Agent per i template e il parsing degli strumenti, con strumenti configurati o collegati tramite MCP. Definisci gli strumenti consentiti, l'obiettivo dell'attività e la condizione osservabile di completamento. L'applicazione esegue le azioni esterne e restituisce osservazioni effettive; il modello può poi usare tale riscontro nella risposta successiva.
La previsione di più token fa parte dell'addestramento, ma il suo impiego durante l'inferenza dipende dall'implementazione e non è generalmente disponibile in ogni flusso di lavoro leggero. Conserva questa distinzione quando valuti una distribuzione. La sola capacità di usare strumenti o una caratteristica architetturale non attestano l'accesso a file, fonti aggiornate o un ambiente di esecuzione tramite un'altra applicazione.
Testi estremamente lunghi
L'estensione documentata usa YaRN. Il produttore convalida un contesto di circa un milione di token e fornisce una ricetta con fattore quattro basata sulle 262,144 posizioni native; per carichi di lavoro da 524,288 token suggerisce un fattore due. Il ridimensionamento statico può influire sulle prestazioni con testi più brevi, quindi deve rispondere all'esigenza effettiva di input più lunghi.
Organizza un input ampio con separazioni tra documenti e identificatori del codice o delle sezioni. Specifica la domanda e l'artefatto atteso, così che il modello possa collegare gli elementi pertinenti anziché trattare l'intera finestra come sostituto di un compito chiaro. Riserva spazio per il suo ragionamento potenzialmente lungo e per il risultato finale.
Indicazioni di generazione
Le Best Practices raccomandano temperature 0.6, top_p 0.95, 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. Qwen raccomanda un budget di generazione di 32,768 token per la maggior parte delle domande e di 81,920 per attività matematiche o di programmazione insolitamente complesse. Sono raccomandazioni, non limiti rigidi indipendenti di output.
Specifica esplicitamente il formato della risposta finale, ad esempio un risultato matematico delimitato o un campo di risposta. Il produttore raccomanda di conservare nei messaggi storici dell'assistente gli output finali senza il contenuto di ragionamento, seguendo il template di questo checkpoint. Le opzioni dei modelli successivi per conservare il ragionamento storico non devono essere importate automaticamente.
Limiti sostanziali
Questo è un modello di solo testo. Immagini, audio o video richiedono una rappresentazione separata adeguata prima di poter fungere da elementi probatori in questo flusso di lavoro. Ragionamento lungo e contesto sono risorse finite e un ragionamento dettagliato non prova autonomamente la correttezza di un risultato. Verifica ipotesi, calcoli e codice generato rispetto alla fonte fornita. Il risultato utile è una risposta o un artefatto verificabile, i cui elementi a sostegno restano visibili e la cui identità con la sola modalità thinking è preservata.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen/qwen3-next-80b-a3b-thinking | 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 $0.0003 / 1K token Output · Token in output $0.0024 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0003 / 1K token Output · Token in output $0.0024 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-next-80b-a3b-thinking", "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-thinking',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-thinking',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-thinking
Usa i percorsi dei metodi indicati sopra.
qwen/qwen3-next-80b-a3b-thinkingQwen3-Next-80B-A3B-Thinking è il modello di ragionamento testuale di Qwen con 80 miliardi di parametri totali e 3 miliardi attivati. Usa soltanto la modalità thinking, attenzione ibrida ed esperti sparsi per attività complesse, con un contesto nativo di 262,144 token ed estensione condizionata a 1,010,000.
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: ragionamento testuale complesso
Qwen3-Next-80B-A3B-Thinking è l'edizione testuale di Qwen3-Next con la sola modalità thinking. Il produttore la raccomanda per attività di ragionamento altamente complesse e segnala che il suo ragionamento può essere più lungo rispetto ai modelli precedenti. Accetta testo e restituisce testo, compresa una risposta spiegata o una proposta di codice. Mantienila distinta da Qwen3-Next-80B-A3B-Instruct e Qwen3-Coder-Next, i cui contratti non-thinking sono diversi.
La famiglia introduce un'attenzione ibrida che combina Gated DeltaNet e attenzione con gating, esperti ad alta sparsità, tecniche di stabilità come la normalizzazione dei livelli centrata sullo zero e con decadimento dei pesi, e la previsione di più token. Qwen descrive inoltre la stabilizzazione dell'apprendimento per rinforzo tramite GSPO. Sono caratteristiche dell'addestramento e dell'architettura; i guadagni di efficienza dipendono dall'implementazione e non devono diventare un'affermazione universale sui tempi di risposta.
Panoramica del modello
Il modello ha 80 miliardi di parametri totali e ne attiva tre miliardi. Ha 48 livelli organizzati secondo uno schema di esperti 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. Testo di origine, messaggi storici, osservazioni degli strumenti, ragionamento e output finale condividono il budget di sequenza configurato. Per ragionamenti complessi, il produttore consiglia un contesto configurato superiore a 131,072 ove possibile, anche se una finestra più piccola ridurrebbe la pressione sulla memoria.
Uso dell'interfaccia con la sola modalità thinking
Il template di chat predefinito include già il marcatore di apertura del ragionamento. Una sequenza restituita può quindi contenere il marcatore di chiusura senza ripetere quello di apertura. È la normale formattazione della ricetta del produttore, non la prova che il ragionamento sia assente. Il modello supporta soltanto la modalità thinking; chiedere una risposta finale concisa non lo converte in un'edizione non-thinking.
Per un problema matematico o logico, fornisci l'enunciato completo, le definizioni, le unità di misura e le ipotesi ammesse. Chiedi una risposta finale chiaramente delimitata, con i passaggi a sostegno necessari per verificarla. Per il ragionamento sul codice, fornisci la funzione pertinente, l'input e il comportamento desiderato, poi richiedi una proposta spiegata. Confronta i calcoli a sostegno o la patch proposta con le condizioni fornite e i risultati effettivi.
Implementazione e strumenti
Gli esempi del produttore supportano flussi di sviluppo e uso degli strumenti e raccomandano Qwen-Agent per i template e il parsing degli strumenti, con strumenti configurati o collegati tramite MCP. Definisci gli strumenti consentiti, l'obiettivo dell'attività e la condizione osservabile di completamento. L'applicazione esegue le azioni esterne e restituisce osservazioni effettive; il modello può poi usare tale riscontro nella risposta successiva.
La previsione di più token fa parte dell'addestramento, ma il suo impiego durante l'inferenza dipende dall'implementazione e non è generalmente disponibile in ogni flusso di lavoro leggero. Conserva questa distinzione quando valuti una distribuzione. La sola capacità di usare strumenti o una caratteristica architetturale non attestano l'accesso a file, fonti aggiornate o un ambiente di esecuzione tramite un'altra applicazione.
Testi estremamente lunghi
L'estensione documentata usa YaRN. Il produttore convalida un contesto di circa un milione di token e fornisce una ricetta con fattore quattro basata sulle 262,144 posizioni native; per carichi di lavoro da 524,288 token suggerisce un fattore due. Il ridimensionamento statico può influire sulle prestazioni con testi più brevi, quindi deve rispondere all'esigenza effettiva di input più lunghi.
Organizza un input ampio con separazioni tra documenti e identificatori del codice o delle sezioni. Specifica la domanda e l'artefatto atteso, così che il modello possa collegare gli elementi pertinenti anziché trattare l'intera finestra come sostituto di un compito chiaro. Riserva spazio per il suo ragionamento potenzialmente lungo e per il risultato finale.
Indicazioni di generazione
Le Best Practices raccomandano temperature 0.6, top_p 0.95, 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. Qwen raccomanda un budget di generazione di 32,768 token per la maggior parte delle domande e di 81,920 per attività matematiche o di programmazione insolitamente complesse. Sono raccomandazioni, non limiti rigidi indipendenti di output.
Specifica esplicitamente il formato della risposta finale, ad esempio un risultato matematico delimitato o un campo di risposta. Il produttore raccomanda di conservare nei messaggi storici dell'assistente gli output finali senza il contenuto di ragionamento, seguendo il template di questo checkpoint. Le opzioni dei modelli successivi per conservare il ragionamento storico non devono essere importate automaticamente.
Limiti sostanziali
Questo è un modello di solo testo. Immagini, audio o video richiedono una rappresentazione separata adeguata prima di poter fungere da elementi probatori in questo flusso di lavoro. Ragionamento lungo e contesto sono risorse finite e un ragionamento dettagliato non prova autonomamente la correttezza di un risultato. Verifica ipotesi, calcoli e codice generato rispetto alla fonte fornita. Il risultato utile è una risposta o un artefatto verificabile, i cui elementi a sostegno restano visibili e la cui identità con la sola modalità thinking è preservata.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen/qwen3-next-80b-a3b-thinking | 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 $0.0003 / 1K token Output · Token in output $0.0024 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0003 / 1K token Output · Token in output $0.0024 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "qwen/qwen3-next-80b-a3b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-thinking', '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-thinking', '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-thinking
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Identify what a logic puzzle actually determines\n\nExactly one of A, B and C took a key, and exactly one statement is true. A says, 'B took it.' B says, 'C took it.' C says, 'I did not take it.' Determine every possible culprit consistent with these premises. Show a truth table and state whether the culprit is uniquely determined.A three-case truth table and the complete set of consistent culprits with a uniqueness conclusion.The table checks exactly one true statement in each candidate case and preserves multiple solutions if the premises allow them.