Qwen3-0.6B offre l’interfaccia testuale ibrida di Qwen3 in un modello denso da 0.6 miliardi di parametri. Le capacità della famiglia includono rispetto delle istruzioni, conversazione multilingue, scrittura creativa, interazione basata su ruoli, matematica, codice e ragionamento logico. Ragionamento e generazione ordinaria sono disponibili nella stessa versione. La dimensione compatta identifica il checkpoint, non un formato di input diverso né un nome sostitutivo di un modello Qwen3 più grande.
Il modello ha 0.44 miliardi di parametri al di fuori degli embedding e 28 livelli, con 16 teste query e otto teste chiave/valore nell’attenzione a query raggruppate. La scheda specifica documenta 32,768 token di contesto. Sia il testo in ingresso sia il contenuto generato occupano la sequenza del modello, quindi riservare spazio alla risposta quando si assemblano istruzioni ed esempi. La scheda di questa versione non documenta la configurazione per il contesto esteso inclusa nelle schede di alcuni Qwen3 più grandi. Una prima attività pratica è una singola operazione breve e chiaramente definita, il cui output possa essere confrontato direttamente con la fonte.
Usare il template di chat indicato dal produttore per presentare l’istruzione e il materiale. Ad esempio, fornire una breve nota di servizio e richiedere un messaggio rivolto al cliente che mantenga invariati la data dell’appuntamento e il nome del prodotto. Indicare il lettore previsto, il tono e la lunghezza massima richiesta. Per un’attività di selezione delle etichette, elencare quelle consentite con le relative definizioni e includere un esempio ambiguo che mostri come segnalare l’incertezza. Chiedere soltanto l’etichetta e il passaggio corrispondente dell’input. Sono requisiti concreti dell’output, non un’affermazione che il modello li soddisfi sempre senza controlli. L’integrazione pubblicata richiede un runtime compatibile con Qwen3; la scheda avverte che le versioni di Transformers precedenti alla 4.51.0 non riconoscono l’architettura richiesta.
Il template fornito usa il ragionamento per impostazione predefinita. Un’impostazione esplicita di configurazione senza ragionamento sopprime la relativa sezione; se il ragionamento resta abilitato, /think e /no_think possono controllare la modalità fra i turni, in base all’istruzione più recente. La disabilitazione tramite configurazione ha priorità su queste istruzioni nel prompt. Scegliere l’impostazione adatta all’operazione: una semplice modifica a un testo approvato può usare una risposta diretta, mentre spiegare perché si applica una condizione può richiedere ragionamento. Salvare nella cronologia la risposta finale anziché una precedente sezione di ragionamento. Con il ragionamento abilitato, anche una richiesta nel prompt di risposta senza ragionamento mantiene un blocco di ragionamento, il cui contenuto può essere vuoto. La disabilitazione tramite configurazione rimuove tale blocco.
La scheda del modello descrive l’uso come agente orientato agli strumenti e raccomanda Qwen-Agent per i template e il parsing. Per un piccolo assistente di glossario, l’applicazione può esporre una sola consultazione in lettura, convalidarne gli argomenti, eseguirla e restituire la voce. Il modello può quindi spiegare il termine nello stile richiesto dall’utente. Definire in anticipo il risultato dello strumento e l’alternativa da usare quando manca una voce. Una richiesta generata a uno strumento va trattata come una richiesta; l’applicazione mantiene la responsabilità dell’esecuzione e delle evidenze restituite. La guida Qwen3 descrive anche chiamate parallele e in più passaggi agli strumenti, con argomenti rappresentati come oggetti e risultati reinseriti nella conversazione.
Le lunghezze di output della guida rapida e delle buone pratiche pubblicate sono indicazioni di generazione, non un limite API separato e garantito. Per un’operazione mirata, scegliere un record finale compatto, come una frase riscritta con i nomi invariati, oppure un’etichetta e il testo che la giustifica. Verificare tale record rispetto al materiale fornito. Se l’attività diventa una spiegazione lunga, valutare il risultato più esteso sullo stesso tipo di input reale anziché presumere che l’identità compatta del modello ne stabilisca l’accuratezza o la qualità della risposta. Nella spiegazione delle lunghezze di addestramento, la documentazione Qwen3 tratta messaggi dell’assistente lunghi 38,912 token in modalità di ragionamento e 16,384 senza ragionamento, e raccomanda di valutare la qualità delle generazioni più lunghe. Questi valori sono distinti dalla finestra di contesto complessiva e non costituiscono un limite rigido specifico di un endpoint.
Questa scheda specifica aggiunge un consiglio per le ripetizioni significative: usare il campionamento raccomandato e considerare presence_penalty 1.5. Penalità più forti possono causare mescolanze linguistiche o un calo delle prestazioni. La modalità di ragionamento è associata a temperature 0.6, top-p 0.95, top-k 20 e min-p 0; quella senza ragionamento a temperature 0.7, top-p 0.8, top-k 20 e min-p 0. Il produttore sconsiglia la decodifica greedy in modalità di ragionamento. Ispezionare frasi ripetute, nomi conservati ed etichetta selezionata; respingere un record malformato anziché considerare la leggibilità della prosa una prova del rispetto del formato richiesto.
", "aboutText": "Qwen3-0.6B offre l’interfaccia testuale ibrida di Qwen3 in un modello denso da 0.6 miliardi di parametri. Le capacità della famiglia includono rispetto delle istruzioni, conversazione multilingue, scrittura creativa, interazione basata su ruoli, matematica, codice e ragionamento logico. Ragionamento e generazione ordinaria sono disponibili nella stessa versione. La dimensione compatta identifica il checkpoint, non un formato di input diverso né un nome sostitutivo di un modello Qwen3 più grande.\n\nIl modello ha 0.44 miliardi di parametri al di fuori degli embedding e 28 livelli, con 16 teste query e otto teste chiave/valore nell’attenzione a query raggruppate. La scheda specifica documenta 32,768 token di contesto. Sia il testo in ingresso sia il contenuto generato occupano la sequenza del modello, quindi riservare spazio alla risposta quando si assemblano istruzioni ed esempi. La scheda di questa versione non documenta la configurazione per il contesto esteso inclusa nelle schede di alcuni Qwen3 più grandi. Una prima attività pratica è una singola operazione breve e chiaramente definita, il cui output possa essere confrontato direttamente con la fonte.\n\nUsare il template di chat indicato dal produttore per presentare l’istruzione e il materiale. Ad esempio, fornire una breve nota di servizio e richiedere un messaggio rivolto al cliente che mantenga invariati la data dell’appuntamento e il nome del prodotto. Indicare il lettore previsto, il tono e la lunghezza massima richiesta. Per un’attività di selezione delle etichette, elencare quelle consentite con le relative definizioni e includere un esempio ambiguo che mostri come segnalare l’incertezza. Chiedere soltanto l’etichetta e il passaggio corrispondente dell’input. Sono requisiti concreti dell’output, non un’affermazione che il modello li soddisfi sempre senza controlli. L’integrazione pubblicata richiede un runtime compatibile con Qwen3; la scheda avverte che le versioni di Transformers precedenti alla 4.51.0 non riconoscono l’architettura richiesta.\n\nIl template fornito usa il ragionamento per impostazione predefinita. Un’impostazione esplicita di configurazione senza ragionamento sopprime la relativa sezione; se il ragionamento resta abilitato, /think e /no_think possono controllare la modalità fra i turni, in base all’istruzione più recente. La disabilitazione tramite configurazione ha priorità su queste istruzioni nel prompt. Scegliere l’impostazione adatta all’operazione: una semplice modifica a un testo approvato può usare una risposta diretta, mentre spiegare perché si applica una condizione può richiedere ragionamento. Salvare nella cronologia la risposta finale anziché una precedente sezione di ragionamento. Con il ragionamento abilitato, anche una richiesta nel prompt di risposta senza ragionamento mantiene un blocco di ragionamento, il cui contenuto può essere vuoto. La disabilitazione tramite configurazione rimuove tale blocco.\n\nLa scheda del modello descrive l’uso come agente orientato agli strumenti e raccomanda Qwen-Agent per i template e il parsing. Per un piccolo assistente di glossario, l’applicazione può esporre una sola consultazione in lettura, convalidarne gli argomenti, eseguirla e restituire la voce. Il modello può quindi spiegare il termine nello stile richiesto dall’utente. Definire in anticipo il risultato dello strumento e l’alternativa da usare quando manca una voce. Una richiesta generata a uno strumento va trattata come una richiesta; l’applicazione mantiene la responsabilità dell’esecuzione e delle evidenze restituite. La guida Qwen3 descrive anche chiamate parallele e in più passaggi agli strumenti, con argomenti rappresentati come oggetti e risultati reinseriti nella conversazione.\n\nLe lunghezze di output della guida rapida e delle buone pratiche pubblicate sono indicazioni di generazione, non un limite API separato e garantito. Per un’operazione mirata, scegliere un record finale compatto, come una frase riscritta con i nomi invariati, oppure un’etichetta e il testo che la giustifica. Verificare tale record rispetto al materiale fornito. Se l’attività diventa una spiegazione lunga, valutare il risultato più esteso sullo stesso tipo di input reale anziché presumere che l’identità compatta del modello ne stabilisca l’accuratezza o la qualità della risposta. Nella spiegazione delle lunghezze di addestramento, la documentazione Qwen3 tratta messaggi dell’assistente lunghi 38,912 token in modalità di ragionamento e 16,384 senza ragionamento, e raccomanda di valutare la qualità delle generazioni più lunghe. Questi valori sono distinti dalla finestra di contesto complessiva e non costituiscono un limite rigido specifico di un endpoint.\n\nQuesta scheda specifica aggiunge un consiglio per le ripetizioni significative: usare il campionamento raccomandato e considerare presence_penalty 1.5. Penalità più forti possono causare mescolanze linguistiche o un calo delle prestazioni. La modalità di ragionamento è associata a temperature 0.6, top-p 0.95, top-k 20 e min-p 0; quella senza ragionamento a temperature 0.7, top-p 0.8, top-k 20 e min-p 0. Il produttore sconsiglia la decodifica greedy in modalità di ragionamento. Ispezionare frasi ripetute, nomi conservati ed etichetta selezionata; respingere un record malformato anziché considerare la leggibilità della prosa una prova del rispetto del formato richiesto.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
A single focused appointment rewrite\n\nRewrite this note as one friendly sentence for a customer, using at most 25 words: 'Appointment for Polar Fan repair: 14 June, 09:30. Bring the purchase receipt.' Preserve the product name, date, time and receipt instruction. Return only the sentence, with no heading or additional details.One customer-facing sentence of at most 25 words retaining all four facts.Polar Fan, 14 June and 09:30 remain exact, and the receipt instruction is present.qwen3-0.6bQwen3-0.6B è la versione densa più piccola di questo gruppo Qwen3, con 0.6 miliardi di parametri. Gestisce istruzioni testuali e dialogo multilingue tramite modalità diretta e di ragionamento, con un contesto di 32,768 token specifico dell’edizione.
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.
Qwen3-0.6B offre l’interfaccia testuale ibrida di Qwen3 in un modello denso da 0.6 miliardi di parametri. Le capacità della famiglia includono rispetto delle istruzioni, conversazione multilingue, scrittura creativa, interazione basata su ruoli, matematica, codice e ragionamento logico. Ragionamento e generazione ordinaria sono disponibili nella stessa versione. La dimensione compatta identifica il checkpoint, non un formato di input diverso né un nome sostitutivo di un modello Qwen3 più grande.
Il modello ha 0.44 miliardi di parametri al di fuori degli embedding e 28 livelli, con 16 teste query e otto teste chiave/valore nell’attenzione a query raggruppate. La scheda specifica documenta 32,768 token di contesto. Sia il testo in ingresso sia il contenuto generato occupano la sequenza del modello, quindi riservare spazio alla risposta quando si assemblano istruzioni ed esempi. La scheda di questa versione non documenta la configurazione per il contesto esteso inclusa nelle schede di alcuni Qwen3 più grandi. Una prima attività pratica è una singola operazione breve e chiaramente definita, il cui output possa essere confrontato direttamente con la fonte.
Usare il template di chat indicato dal produttore per presentare l’istruzione e il materiale. Ad esempio, fornire una breve nota di servizio e richiedere un messaggio rivolto al cliente che mantenga invariati la data dell’appuntamento e il nome del prodotto. Indicare il lettore previsto, il tono e la lunghezza massima richiesta. Per un’attività di selezione delle etichette, elencare quelle consentite con le relative definizioni e includere un esempio ambiguo che mostri come segnalare l’incertezza. Chiedere soltanto l’etichetta e il passaggio corrispondente dell’input. Sono requisiti concreti dell’output, non un’affermazione che il modello li soddisfi sempre senza controlli. L’integrazione pubblicata richiede un runtime compatibile con Qwen3; la scheda avverte che le versioni di Transformers precedenti alla 4.51.0 non riconoscono l’architettura richiesta.
Il template fornito usa il ragionamento per impostazione predefinita. Un’impostazione esplicita di configurazione senza ragionamento sopprime la relativa sezione; se il ragionamento resta abilitato, /think e /no_think possono controllare la modalità fra i turni, in base all’istruzione più recente. La disabilitazione tramite configurazione ha priorità su queste istruzioni nel prompt. Scegliere l’impostazione adatta all’operazione: una semplice modifica a un testo approvato può usare una risposta diretta, mentre spiegare perché si applica una condizione può richiedere ragionamento. Salvare nella cronologia la risposta finale anziché una precedente sezione di ragionamento. Con il ragionamento abilitato, anche una richiesta nel prompt di risposta senza ragionamento mantiene un blocco di ragionamento, il cui contenuto può essere vuoto. La disabilitazione tramite configurazione rimuove tale blocco.
La scheda del modello descrive l’uso come agente orientato agli strumenti e raccomanda Qwen-Agent per i template e il parsing. Per un piccolo assistente di glossario, l’applicazione può esporre una sola consultazione in lettura, convalidarne gli argomenti, eseguirla e restituire la voce. Il modello può quindi spiegare il termine nello stile richiesto dall’utente. Definire in anticipo il risultato dello strumento e l’alternativa da usare quando manca una voce. Una richiesta generata a uno strumento va trattata come una richiesta; l’applicazione mantiene la responsabilità dell’esecuzione e delle evidenze restituite. La guida Qwen3 descrive anche chiamate parallele e in più passaggi agli strumenti, con argomenti rappresentati come oggetti e risultati reinseriti nella conversazione.
Le lunghezze di output della guida rapida e delle buone pratiche pubblicate sono indicazioni di generazione, non un limite API separato e garantito. Per un’operazione mirata, scegliere un record finale compatto, come una frase riscritta con i nomi invariati, oppure un’etichetta e il testo che la giustifica. Verificare tale record rispetto al materiale fornito. Se l’attività diventa una spiegazione lunga, valutare il risultato più esteso sullo stesso tipo di input reale anziché presumere che l’identità compatta del modello ne stabilisca l’accuratezza o la qualità della risposta. Nella spiegazione delle lunghezze di addestramento, la documentazione Qwen3 tratta messaggi dell’assistente lunghi 38,912 token in modalità di ragionamento e 16,384 senza ragionamento, e raccomanda di valutare la qualità delle generazioni più lunghe. Questi valori sono distinti dalla finestra di contesto complessiva e non costituiscono un limite rigido specifico di un endpoint.
Questa scheda specifica aggiunge un consiglio per le ripetizioni significative: usare il campionamento raccomandato e considerare presence_penalty 1.5. Penalità più forti possono causare mescolanze linguistiche o un calo delle prestazioni. La modalità di ragionamento è associata a temperature 0.6, top-p 0.95, top-k 20 e min-p 0; quella senza ragionamento a temperature 0.7, top-p 0.8, top-k 20 e min-p 0. Il produttore sconsiglia la decodifica greedy in modalità di ragionamento. Ispezionare frasi ripetute, nomi conservati ed etichetta selezionata; respingere un record malformato anziché considerare la leggibilità della prosa una prova del rispetto del formato richiesto.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen3-0.6b | 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.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.0001 / 1K token Output · Token in output $0.001 / 1K token Input · Lettura dalla cache $0 / 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": "qwen3-0.6b", "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='qwen3-0.6b',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='qwen3-0.6b',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 qwen3-0.6b
Usa i percorsi dei metodi indicati sopra.
qwen3-0.6bQwen3-0.6B è la versione densa più piccola di questo gruppo Qwen3, con 0.6 miliardi di parametri. Gestisce istruzioni testuali e dialogo multilingue tramite modalità diretta e di ragionamento, con un contesto di 32,768 token specifico dell’edizione.
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.
Qwen3-0.6B offre l’interfaccia testuale ibrida di Qwen3 in un modello denso da 0.6 miliardi di parametri. Le capacità della famiglia includono rispetto delle istruzioni, conversazione multilingue, scrittura creativa, interazione basata su ruoli, matematica, codice e ragionamento logico. Ragionamento e generazione ordinaria sono disponibili nella stessa versione. La dimensione compatta identifica il checkpoint, non un formato di input diverso né un nome sostitutivo di un modello Qwen3 più grande.
Il modello ha 0.44 miliardi di parametri al di fuori degli embedding e 28 livelli, con 16 teste query e otto teste chiave/valore nell’attenzione a query raggruppate. La scheda specifica documenta 32,768 token di contesto. Sia il testo in ingresso sia il contenuto generato occupano la sequenza del modello, quindi riservare spazio alla risposta quando si assemblano istruzioni ed esempi. La scheda di questa versione non documenta la configurazione per il contesto esteso inclusa nelle schede di alcuni Qwen3 più grandi. Una prima attività pratica è una singola operazione breve e chiaramente definita, il cui output possa essere confrontato direttamente con la fonte.
Usare il template di chat indicato dal produttore per presentare l’istruzione e il materiale. Ad esempio, fornire una breve nota di servizio e richiedere un messaggio rivolto al cliente che mantenga invariati la data dell’appuntamento e il nome del prodotto. Indicare il lettore previsto, il tono e la lunghezza massima richiesta. Per un’attività di selezione delle etichette, elencare quelle consentite con le relative definizioni e includere un esempio ambiguo che mostri come segnalare l’incertezza. Chiedere soltanto l’etichetta e il passaggio corrispondente dell’input. Sono requisiti concreti dell’output, non un’affermazione che il modello li soddisfi sempre senza controlli. L’integrazione pubblicata richiede un runtime compatibile con Qwen3; la scheda avverte che le versioni di Transformers precedenti alla 4.51.0 non riconoscono l’architettura richiesta.
Il template fornito usa il ragionamento per impostazione predefinita. Un’impostazione esplicita di configurazione senza ragionamento sopprime la relativa sezione; se il ragionamento resta abilitato, /think e /no_think possono controllare la modalità fra i turni, in base all’istruzione più recente. La disabilitazione tramite configurazione ha priorità su queste istruzioni nel prompt. Scegliere l’impostazione adatta all’operazione: una semplice modifica a un testo approvato può usare una risposta diretta, mentre spiegare perché si applica una condizione può richiedere ragionamento. Salvare nella cronologia la risposta finale anziché una precedente sezione di ragionamento. Con il ragionamento abilitato, anche una richiesta nel prompt di risposta senza ragionamento mantiene un blocco di ragionamento, il cui contenuto può essere vuoto. La disabilitazione tramite configurazione rimuove tale blocco.
La scheda del modello descrive l’uso come agente orientato agli strumenti e raccomanda Qwen-Agent per i template e il parsing. Per un piccolo assistente di glossario, l’applicazione può esporre una sola consultazione in lettura, convalidarne gli argomenti, eseguirla e restituire la voce. Il modello può quindi spiegare il termine nello stile richiesto dall’utente. Definire in anticipo il risultato dello strumento e l’alternativa da usare quando manca una voce. Una richiesta generata a uno strumento va trattata come una richiesta; l’applicazione mantiene la responsabilità dell’esecuzione e delle evidenze restituite. La guida Qwen3 descrive anche chiamate parallele e in più passaggi agli strumenti, con argomenti rappresentati come oggetti e risultati reinseriti nella conversazione.
Le lunghezze di output della guida rapida e delle buone pratiche pubblicate sono indicazioni di generazione, non un limite API separato e garantito. Per un’operazione mirata, scegliere un record finale compatto, come una frase riscritta con i nomi invariati, oppure un’etichetta e il testo che la giustifica. Verificare tale record rispetto al materiale fornito. Se l’attività diventa una spiegazione lunga, valutare il risultato più esteso sullo stesso tipo di input reale anziché presumere che l’identità compatta del modello ne stabilisca l’accuratezza o la qualità della risposta. Nella spiegazione delle lunghezze di addestramento, la documentazione Qwen3 tratta messaggi dell’assistente lunghi 38,912 token in modalità di ragionamento e 16,384 senza ragionamento, e raccomanda di valutare la qualità delle generazioni più lunghe. Questi valori sono distinti dalla finestra di contesto complessiva e non costituiscono un limite rigido specifico di un endpoint.
Questa scheda specifica aggiunge un consiglio per le ripetizioni significative: usare il campionamento raccomandato e considerare presence_penalty 1.5. Penalità più forti possono causare mescolanze linguistiche o un calo delle prestazioni. La modalità di ragionamento è associata a temperature 0.6, top-p 0.95, top-k 20 e min-p 0; quella senza ragionamento a temperature 0.7, top-p 0.8, top-k 20 e min-p 0. Il produttore sconsiglia la decodifica greedy in modalità di ragionamento. Ispezionare frasi ripetute, nomi conservati ed etichetta selezionata; respingere un record malformato anziché considerare la leggibilità della prosa una prova del rispetto del formato richiesto.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen3-0.6b | 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.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.0001 / 1K token Output · Token in output $0.001 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "qwen3-0.6b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-0.6b', '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': 'qwen3-0.6b', '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 qwen3-0.6b
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
A single focused appointment rewrite\n\nRewrite this note as one friendly sentence for a customer, using at most 25 words: 'Appointment for Polar Fan repair: 14 June, 09:30. Bring the purchase receipt.' Preserve the product name, date, time and receipt instruction. Return only the sentence, with no heading or additional details.One customer-facing sentence of at most 25 words retaining all four facts.Polar Fan, 14 June and 09:30 remain exact, and the receipt instruction is present.