Qwen3-1.7B combina risposte dirette e ragionamento in un piccolo modello linguistico denso. Il produttore descrive rispetto delle istruzioni, scrittura creativa, conversazioni basate su ruoli, matematica, problemi logici e codice, con oltre 100 lingue e dialetti supportati. Riceve testo e produce testo. Un’attività iniziale utile è una trasformazione definita con precisione: trasformare un breve messaggio di un cliente in una risposta cortese, spiegare un termine a un lettore specifico o convertire una nota di riunione in un elenco di azioni.
Questa specifica versione ha 1.7 miliardi di parametri, di cui 1.4 miliardi al di fuori degli embedding, e 28 livelli. L’attenzione a query raggruppate usa 16 teste query e otto teste chiave/valore. La scheda del modello riporta un contesto di 32,768 token. È la finestra documentata dell’edizione; le dimensioni di contesto maggiori di altri modelli Qwen3 devono restare associate alle rispettive schede. Mantenere il testo sorgente, le istruzioni, la cronologia e la risposta richiesta nel budget di sequenza pertinente. Per un assistente alle risposte, fornire il messaggio ricevuto, i fatti di contesto verificati, il pubblico e la lunghezza desiderata anziché un intero archivio di corrispondenza estranea.
La guida rapida del produttore formatta una conversazione tramite il template di chat del modello. Preparare un’attività piccola e completa, verificabile rispetto alla fonte. Per un elenco di azioni, fornire una nota con nomi, date e decisioni, richiedere una voce per ogni azione ed esigere un valore esplicito di dato sconosciuto dove non è stato indicato un responsabile. Per un esempio di programmazione, fornire una funzione e input rappresentativi, quindi chiedere al modello di spiegare il ramo che determina il risultato. La spiegazione restituita deve riferirsi alle variabili e alle condizioni effettive anziché introdurre comportamenti ipotetici. 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 ragionamento è abilitato per impostazione predefinita nel template fornito. Un’impostazione esplicita di configurazione seleziona l’output senza ragionamento, privo della relativa sezione. Quando il ragionamento resta abilitato, /think e /no_think fungono da istruzioni per turno nel prompt, con prevalenza della più recente; non possono riattivare il ragionamento se è disabilitato nella configurazione. Usare l’impostazione di risposta diretta per una breve riscrittura e quella di ragionamento quando una risposta deve conciliare più condizioni. Mantenere il ragionamento intermedio separato dalla risposta finale e conservare quest’ultima nella cronologia successiva del dialogo. 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.
L’uso come agente fa parte delle capacità pubblicate. Il produttore raccomanda Qwen-Agent per la formattazione e il parsing degli strumenti, mentre l’applicazione fornisce ed esegue gli strumenti. Un assistente circoscritto può richiedere la consultazione di un dizionario per un termine di prodotto, ricevere la definizione confermata e poi riscrivere la frase dell’utente. Definire l’argomento consentito e i campi restituiti; controllare entrambi prima di usare il risultato. Il testo finale deve distinguere fatti forniti, informazioni restituite e domande rimaste senza risposta. La guida Qwen3 descrive anche chiamate parallele e in più passaggi agli strumenti, con argomenti rappresentati come oggetti e risultati reinseriti nella conversazione.
Il budget di output deve essere adeguato all’intera attività. La scheda del modello fornisce esempi di generazione e raccomandazioni sulla lunghezza dell’output; questi sono diversi da un massimo dimostrato lato servizio. Gli output brevi richiesti sono facili da verificare: specificare campi, ordine e lingua, e tenere disponibile il messaggio originale per il confronto. Valutare il risultato sulla classe effettiva di input prima di affidarsi alla generazione di testi lunghi. 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 dimensione ha una nota specifica sulle ripetizioni persistenti: la scheda suggerisce le impostazioni di campionamento raccomandate e presence_penalty 1.5 quando si verificano ripetizioni significative. Penalità maggiori possono talvolta mescolare le lingue o ridurre le prestazioni. Per il ragionamento, il valore suggerito di temperature è 0.6 con top-p 0.95, top-k 20 e min-p 0; senza ragionamento, temperature è impostato a 0.7 con top-p 0.8, top-k 20 e min-p 0. Evitare la decodifica greedy in modalità di ragionamento. Controllare nomi, date, etichette e clausole ripetute e convalidare ogni output strutturato prima di passarlo a un’altra parte dell’applicazione.
", "aboutText": "Qwen3-1.7B combina risposte dirette e ragionamento in un piccolo modello linguistico denso. Il produttore descrive rispetto delle istruzioni, scrittura creativa, conversazioni basate su ruoli, matematica, problemi logici e codice, con oltre 100 lingue e dialetti supportati. Riceve testo e produce testo. Un’attività iniziale utile è una trasformazione definita con precisione: trasformare un breve messaggio di un cliente in una risposta cortese, spiegare un termine a un lettore specifico o convertire una nota di riunione in un elenco di azioni.\n\nQuesta specifica versione ha 1.7 miliardi di parametri, di cui 1.4 miliardi al di fuori degli embedding, e 28 livelli. L’attenzione a query raggruppate usa 16 teste query e otto teste chiave/valore. La scheda del modello riporta un contesto di 32,768 token. È la finestra documentata dell’edizione; le dimensioni di contesto maggiori di altri modelli Qwen3 devono restare associate alle rispettive schede. Mantenere il testo sorgente, le istruzioni, la cronologia e la risposta richiesta nel budget di sequenza pertinente. Per un assistente alle risposte, fornire il messaggio ricevuto, i fatti di contesto verificati, il pubblico e la lunghezza desiderata anziché un intero archivio di corrispondenza estranea.\n\nLa guida rapida del produttore formatta una conversazione tramite il template di chat del modello. Preparare un’attività piccola e completa, verificabile rispetto alla fonte. Per un elenco di azioni, fornire una nota con nomi, date e decisioni, richiedere una voce per ogni azione ed esigere un valore esplicito di dato sconosciuto dove non è stato indicato un responsabile. Per un esempio di programmazione, fornire una funzione e input rappresentativi, quindi chiedere al modello di spiegare il ramo che determina il risultato. La spiegazione restituita deve riferirsi alle variabili e alle condizioni effettive anziché introdurre comportamenti ipotetici. 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 ragionamento è abilitato per impostazione predefinita nel template fornito. Un’impostazione esplicita di configurazione seleziona l’output senza ragionamento, privo della relativa sezione. Quando il ragionamento resta abilitato, /think e /no_think fungono da istruzioni per turno nel prompt, con prevalenza della più recente; non possono riattivare il ragionamento se è disabilitato nella configurazione. Usare l’impostazione di risposta diretta per una breve riscrittura e quella di ragionamento quando una risposta deve conciliare più condizioni. Mantenere il ragionamento intermedio separato dalla risposta finale e conservare quest’ultima nella cronologia successiva del dialogo. 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\nL’uso come agente fa parte delle capacità pubblicate. Il produttore raccomanda Qwen-Agent per la formattazione e il parsing degli strumenti, mentre l’applicazione fornisce ed esegue gli strumenti. Un assistente circoscritto può richiedere la consultazione di un dizionario per un termine di prodotto, ricevere la definizione confermata e poi riscrivere la frase dell’utente. Definire l’argomento consentito e i campi restituiti; controllare entrambi prima di usare il risultato. Il testo finale deve distinguere fatti forniti, informazioni restituite e domande rimaste senza risposta. La guida Qwen3 descrive anche chiamate parallele e in più passaggi agli strumenti, con argomenti rappresentati come oggetti e risultati reinseriti nella conversazione.\n\nIl budget di output deve essere adeguato all’intera attività. La scheda del modello fornisce esempi di generazione e raccomandazioni sulla lunghezza dell’output; questi sono diversi da un massimo dimostrato lato servizio. Gli output brevi richiesti sono facili da verificare: specificare campi, ordine e lingua, e tenere disponibile il messaggio originale per il confronto. Valutare il risultato sulla classe effettiva di input prima di affidarsi alla generazione di testi lunghi. 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 dimensione ha una nota specifica sulle ripetizioni persistenti: la scheda suggerisce le impostazioni di campionamento raccomandate e presence_penalty 1.5 quando si verificano ripetizioni significative. Penalità maggiori possono talvolta mescolare le lingue o ridurre le prestazioni. Per il ragionamento, il valore suggerito di temperature è 0.6 con top-p 0.95, top-k 20 e min-p 0; senza ragionamento, temperature è impostato a 0.7 con top-p 0.8, top-k 20 e min-p 0. Evitare la decodifica greedy in modalità di ragionamento. Controllare nomi, date, etichette e clausole ripetute e convalidare ogni output strutturato prima di passarlo a un’altra parte dell’applicazione.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Convert a short note into actions\n\nTurn this note into an action list: 'Mina will order six folders by Thursday. Leo will check the cupboard today. Someone must print the welcome sheets before Friday, but we have not assigned that task.' Return one row per action with owner, task and deadline; use 'unassigned' where needed.Three action rows retaining names, deadlines and the unassigned printing owner.Do not assign the printing task to Mina or Leo without evidence in the note.qwen3-1.7bQwen3-1.7B è un modello testuale denso e compatto con modalità di risposta diretta e di ragionamento. Supporta dialogo multilingue, scrittura, codice e istruzioni orientate agli strumenti, con un contesto di 32,768 token documentato per questa specifica versione.
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.
Qwen3-1.7B combina risposte dirette e ragionamento in un piccolo modello linguistico denso. Il produttore descrive rispetto delle istruzioni, scrittura creativa, conversazioni basate su ruoli, matematica, problemi logici e codice, con oltre 100 lingue e dialetti supportati. Riceve testo e produce testo. Un’attività iniziale utile è una trasformazione definita con precisione: trasformare un breve messaggio di un cliente in una risposta cortese, spiegare un termine a un lettore specifico o convertire una nota di riunione in un elenco di azioni.
Questa specifica versione ha 1.7 miliardi di parametri, di cui 1.4 miliardi al di fuori degli embedding, e 28 livelli. L’attenzione a query raggruppate usa 16 teste query e otto teste chiave/valore. La scheda del modello riporta un contesto di 32,768 token. È la finestra documentata dell’edizione; le dimensioni di contesto maggiori di altri modelli Qwen3 devono restare associate alle rispettive schede. Mantenere il testo sorgente, le istruzioni, la cronologia e la risposta richiesta nel budget di sequenza pertinente. Per un assistente alle risposte, fornire il messaggio ricevuto, i fatti di contesto verificati, il pubblico e la lunghezza desiderata anziché un intero archivio di corrispondenza estranea.
La guida rapida del produttore formatta una conversazione tramite il template di chat del modello. Preparare un’attività piccola e completa, verificabile rispetto alla fonte. Per un elenco di azioni, fornire una nota con nomi, date e decisioni, richiedere una voce per ogni azione ed esigere un valore esplicito di dato sconosciuto dove non è stato indicato un responsabile. Per un esempio di programmazione, fornire una funzione e input rappresentativi, quindi chiedere al modello di spiegare il ramo che determina il risultato. La spiegazione restituita deve riferirsi alle variabili e alle condizioni effettive anziché introdurre comportamenti ipotetici. 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 ragionamento è abilitato per impostazione predefinita nel template fornito. Un’impostazione esplicita di configurazione seleziona l’output senza ragionamento, privo della relativa sezione. Quando il ragionamento resta abilitato, /think e /no_think fungono da istruzioni per turno nel prompt, con prevalenza della più recente; non possono riattivare il ragionamento se è disabilitato nella configurazione. Usare l’impostazione di risposta diretta per una breve riscrittura e quella di ragionamento quando una risposta deve conciliare più condizioni. Mantenere il ragionamento intermedio separato dalla risposta finale e conservare quest’ultima nella cronologia successiva del dialogo. 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.
L’uso come agente fa parte delle capacità pubblicate. Il produttore raccomanda Qwen-Agent per la formattazione e il parsing degli strumenti, mentre l’applicazione fornisce ed esegue gli strumenti. Un assistente circoscritto può richiedere la consultazione di un dizionario per un termine di prodotto, ricevere la definizione confermata e poi riscrivere la frase dell’utente. Definire l’argomento consentito e i campi restituiti; controllare entrambi prima di usare il risultato. Il testo finale deve distinguere fatti forniti, informazioni restituite e domande rimaste senza risposta. La guida Qwen3 descrive anche chiamate parallele e in più passaggi agli strumenti, con argomenti rappresentati come oggetti e risultati reinseriti nella conversazione.
Il budget di output deve essere adeguato all’intera attività. La scheda del modello fornisce esempi di generazione e raccomandazioni sulla lunghezza dell’output; questi sono diversi da un massimo dimostrato lato servizio. Gli output brevi richiesti sono facili da verificare: specificare campi, ordine e lingua, e tenere disponibile il messaggio originale per il confronto. Valutare il risultato sulla classe effettiva di input prima di affidarsi alla generazione di testi lunghi. 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 dimensione ha una nota specifica sulle ripetizioni persistenti: la scheda suggerisce le impostazioni di campionamento raccomandate e presence_penalty 1.5 quando si verificano ripetizioni significative. Penalità maggiori possono talvolta mescolare le lingue o ridurre le prestazioni. Per il ragionamento, il valore suggerito di temperature è 0.6 con top-p 0.95, top-k 20 e min-p 0; senza ragionamento, temperature è impostato a 0.7 con top-p 0.8, top-k 20 e min-p 0. Evitare la decodifica greedy in modalità di ragionamento. Controllare nomi, date, etichette e clausole ripetute e convalidare ogni output strutturato prima di passarlo a un’altra parte dell’applicazione.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen3-1.7b | 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": "qwen3-1.7b", "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='qwen3-1.7b',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='qwen3-1.7b',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 qwen3-1.7b
Usa i percorsi dei metodi indicati sopra.
qwen3-1.7bQwen3-1.7B è un modello testuale denso e compatto con modalità di risposta diretta e di ragionamento. Supporta dialogo multilingue, scrittura, codice e istruzioni orientate agli strumenti, con un contesto di 32,768 token documentato per questa specifica versione.
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.
Qwen3-1.7B combina risposte dirette e ragionamento in un piccolo modello linguistico denso. Il produttore descrive rispetto delle istruzioni, scrittura creativa, conversazioni basate su ruoli, matematica, problemi logici e codice, con oltre 100 lingue e dialetti supportati. Riceve testo e produce testo. Un’attività iniziale utile è una trasformazione definita con precisione: trasformare un breve messaggio di un cliente in una risposta cortese, spiegare un termine a un lettore specifico o convertire una nota di riunione in un elenco di azioni.
Questa specifica versione ha 1.7 miliardi di parametri, di cui 1.4 miliardi al di fuori degli embedding, e 28 livelli. L’attenzione a query raggruppate usa 16 teste query e otto teste chiave/valore. La scheda del modello riporta un contesto di 32,768 token. È la finestra documentata dell’edizione; le dimensioni di contesto maggiori di altri modelli Qwen3 devono restare associate alle rispettive schede. Mantenere il testo sorgente, le istruzioni, la cronologia e la risposta richiesta nel budget di sequenza pertinente. Per un assistente alle risposte, fornire il messaggio ricevuto, i fatti di contesto verificati, il pubblico e la lunghezza desiderata anziché un intero archivio di corrispondenza estranea.
La guida rapida del produttore formatta una conversazione tramite il template di chat del modello. Preparare un’attività piccola e completa, verificabile rispetto alla fonte. Per un elenco di azioni, fornire una nota con nomi, date e decisioni, richiedere una voce per ogni azione ed esigere un valore esplicito di dato sconosciuto dove non è stato indicato un responsabile. Per un esempio di programmazione, fornire una funzione e input rappresentativi, quindi chiedere al modello di spiegare il ramo che determina il risultato. La spiegazione restituita deve riferirsi alle variabili e alle condizioni effettive anziché introdurre comportamenti ipotetici. 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 ragionamento è abilitato per impostazione predefinita nel template fornito. Un’impostazione esplicita di configurazione seleziona l’output senza ragionamento, privo della relativa sezione. Quando il ragionamento resta abilitato, /think e /no_think fungono da istruzioni per turno nel prompt, con prevalenza della più recente; non possono riattivare il ragionamento se è disabilitato nella configurazione. Usare l’impostazione di risposta diretta per una breve riscrittura e quella di ragionamento quando una risposta deve conciliare più condizioni. Mantenere il ragionamento intermedio separato dalla risposta finale e conservare quest’ultima nella cronologia successiva del dialogo. 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.
L’uso come agente fa parte delle capacità pubblicate. Il produttore raccomanda Qwen-Agent per la formattazione e il parsing degli strumenti, mentre l’applicazione fornisce ed esegue gli strumenti. Un assistente circoscritto può richiedere la consultazione di un dizionario per un termine di prodotto, ricevere la definizione confermata e poi riscrivere la frase dell’utente. Definire l’argomento consentito e i campi restituiti; controllare entrambi prima di usare il risultato. Il testo finale deve distinguere fatti forniti, informazioni restituite e domande rimaste senza risposta. La guida Qwen3 descrive anche chiamate parallele e in più passaggi agli strumenti, con argomenti rappresentati come oggetti e risultati reinseriti nella conversazione.
Il budget di output deve essere adeguato all’intera attività. La scheda del modello fornisce esempi di generazione e raccomandazioni sulla lunghezza dell’output; questi sono diversi da un massimo dimostrato lato servizio. Gli output brevi richiesti sono facili da verificare: specificare campi, ordine e lingua, e tenere disponibile il messaggio originale per il confronto. Valutare il risultato sulla classe effettiva di input prima di affidarsi alla generazione di testi lunghi. 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 dimensione ha una nota specifica sulle ripetizioni persistenti: la scheda suggerisce le impostazioni di campionamento raccomandate e presence_penalty 1.5 quando si verificano ripetizioni significative. Penalità maggiori possono talvolta mescolare le lingue o ridurre le prestazioni. Per il ragionamento, il valore suggerito di temperature è 0.6 con top-p 0.95, top-k 20 e min-p 0; senza ragionamento, temperature è impostato a 0.7 con top-p 0.8, top-k 20 e min-p 0. Evitare la decodifica greedy in modalità di ragionamento. Controllare nomi, date, etichette e clausole ripetute e convalidare ogni output strutturato prima di passarlo a un’altra parte dell’applicazione.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen3-1.7b | 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 $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "qwen3-1.7b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-1.7b', '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': 'qwen3-1.7b', '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 qwen3-1.7b
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Convert a short note into actions\n\nTurn this note into an action list: 'Mina will order six folders by Thursday. Leo will check the cupboard today. Someone must print the welcome sheets before Friday, but we have not assigned that task.' Return one row per action with owner, task and deadline; use 'unassigned' where needed.Three action rows retaining names, deadlines and the unassigned printing owner.Do not assign the printing task to Mina or Leo without evidence in the note.