Qwen3-235B-A22B porta l’approccio ibrido al ragionamento di Qwen3 in un grande modello mixture-of-experts. Le sue capacità testuali coprono problemi matematici e logici, generazione di codice, scrittura creativa, conversazioni basate su ruoli e rispetto delle istruzioni su più turni. Opera in oltre 100 lingue e dialetti. Per una discussione sullo sviluppo di un prodotto, fornire i requisiti, un esempio concreto e la decisione necessaria: un confronto fra soluzioni progettuali, un’implementazione o una spiegazione utilizzabile da un pubblico specifico.
Il modello ha 235 miliardi di parametri totali e ne attiva 22 miliardi durante l’elaborazione. La sua architettura comprende 128 esperti, ne seleziona otto e ha 94 livelli. Questi valori identificano questa versione; i modelli Qwen3 più piccoli e l’edizione FP8 hanno identità separate. Input e output sono testuali. Un’attività di ingegneria adatta consiste nel confrontare due algoritmi di riconciliazione usando gli stessi record di esempio, identificare i vincoli soddisfatti da ciascuno e restituire l’algoritmo scelto con casi di test. Fornire i nomi reali dei campi, le regole di gestione dei duplicati e i totali attesi affinché la risposta possa essere verificata rispetto al problema originale.
Preparare la richiesta come messaggi di chat, tenendo separati materiale sorgente e istruzioni. Per una domanda matematica, includere l’enunciato completo, le ipotesi consentite e la notazione, quindi richiedere una risposta finale in una forma specifica. Per il codice, includere la funzione pertinente, il linguaggio, un input rappresentativo e l’errore osservato. Chiedere la modifica minima giustificata e descrivere quale comportamento esistente deve essere mantenuto. Per la scrittura multilingue, indicare il pubblico e un elenco terminologico anziché richiedere una traduzione generica. 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.
Ragionamento e risposta senza ragionamento sono modalità dello stesso modello. Il template di chat del produttore abilita il ragionamento per impostazione predefinita; un’impostazione esplicita di configurazione può disabilitarlo. Quando il ragionamento resta abilitato, /think e /no_think consentono il controllo a livello di turno tramite il prompt, con precedenza all’istruzione più recente. Se il ragionamento è disabilitato nella configurazione, questi comandi nel prompt non hanno effetto. In un’interfaccia per sviluppatori, mantenere la risposta finale distinta dalla sezione di ragionamento e riportare la risposta finale nella cronologia successiva. Scegliere deliberatamente la modalità: un confronto controverso fra algoritmi e una breve riscrittura richiedono quantità diverse di analisi. 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.
Per i flussi con agenti, il produttore raccomanda Qwen-Agent per i template e il parsing degli strumenti. Gli strumenti possono includere servizi collegati o un interprete di codice; è l’applicazione a definirli ed eseguirli. Ad esempio, assegnare a un assistente una consultazione dell’inventario in sola lettura con campi documentati e chiedergli di confrontare le scorte restituite con l’ordine fornito. Definire lo scopo dello strumento, gli argomenti accettati, la struttura del risultato e il perimetro delle autorizzazioni. Richiedere che la risposta finale distingua un’azione proposta da un risultato confermato dello strumento. Le capacità del modello relative agli strumenti non fanno avvenire da sole un’azione esterna. La guida Qwen3 descrive anche chiamate parallele e in più passaggi agli strumenti, con argomenti rappresentati come oggetti e risultati reinseriti nella conversazione.
Il contesto nativo è di 32,768 token. Il produttore convalida 131,072 token con l’espansione YaRN; questo dipende dalla configurazione e la scalatura statica può influire sugli input più brevi. Il budget di contesto include sia la richiesta sia la risposta generata. Per una specifica lunga, identificare le sezioni pertinenti alla decisione, etichettarle e riservare spazio alla risposta anziché riempire l’intero budget di testo sorgente. La scheda raccomanda 32,768 token di output per la maggior parte delle richieste, senza dichiarare tale valore un limite universale del servizio. 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. La scheda spiega inoltre l’allocazione posizionale predefinita di 40,960 token come 8,192 per i prompt tipici più 32,768 per l’output; si tratta di indicazioni di configurazione del produttore, separate dal contesto nativo di addestramento e dagli eventuali limiti dell’endpoint.
Il campionamento raccomandato in modalità di ragionamento usa temperature 0.6, top-p 0.95, top-k 20 e min-p 0; la modalità senza ragionamento usa 0.7, 0.8, 20 e 0. Il produttore raccomanda la decodifica con campionamento e avverte che la decodifica greedy in modalità di ragionamento può causare ripetizioni. Penalità di presenza più elevate possono inoltre introdurre mescolanze linguistiche. Rendere il risultato facile da esaminare: richiedere un campo nominato per la risposta finale, una tabella decisionale con motivazioni oppure una patch di codice con esempi. Verificare i calcoli rispetto ai numeri forniti, eseguire il codice proposto nell’ambiente previsto ed esaminare i risultati degli strumenti prima di agire.
", "aboutText": "Qwen3-235B-A22B porta l’approccio ibrido al ragionamento di Qwen3 in un grande modello mixture-of-experts. Le sue capacità testuali coprono problemi matematici e logici, generazione di codice, scrittura creativa, conversazioni basate su ruoli e rispetto delle istruzioni su più turni. Opera in oltre 100 lingue e dialetti. Per una discussione sullo sviluppo di un prodotto, fornire i requisiti, un esempio concreto e la decisione necessaria: un confronto fra soluzioni progettuali, un’implementazione o una spiegazione utilizzabile da un pubblico specifico.\n\nIl modello ha 235 miliardi di parametri totali e ne attiva 22 miliardi durante l’elaborazione. La sua architettura comprende 128 esperti, ne seleziona otto e ha 94 livelli. Questi valori identificano questa versione; i modelli Qwen3 più piccoli e l’edizione FP8 hanno identità separate. Input e output sono testuali. Un’attività di ingegneria adatta consiste nel confrontare due algoritmi di riconciliazione usando gli stessi record di esempio, identificare i vincoli soddisfatti da ciascuno e restituire l’algoritmo scelto con casi di test. Fornire i nomi reali dei campi, le regole di gestione dei duplicati e i totali attesi affinché la risposta possa essere verificata rispetto al problema originale.\n\nPreparare la richiesta come messaggi di chat, tenendo separati materiale sorgente e istruzioni. Per una domanda matematica, includere l’enunciato completo, le ipotesi consentite e la notazione, quindi richiedere una risposta finale in una forma specifica. Per il codice, includere la funzione pertinente, il linguaggio, un input rappresentativo e l’errore osservato. Chiedere la modifica minima giustificata e descrivere quale comportamento esistente deve essere mantenuto. Per la scrittura multilingue, indicare il pubblico e un elenco terminologico anziché richiedere una traduzione generica. 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\nRagionamento e risposta senza ragionamento sono modalità dello stesso modello. Il template di chat del produttore abilita il ragionamento per impostazione predefinita; un’impostazione esplicita di configurazione può disabilitarlo. Quando il ragionamento resta abilitato, /think e /no_think consentono il controllo a livello di turno tramite il prompt, con precedenza all’istruzione più recente. Se il ragionamento è disabilitato nella configurazione, questi comandi nel prompt non hanno effetto. In un’interfaccia per sviluppatori, mantenere la risposta finale distinta dalla sezione di ragionamento e riportare la risposta finale nella cronologia successiva. Scegliere deliberatamente la modalità: un confronto controverso fra algoritmi e una breve riscrittura richiedono quantità diverse di analisi. 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\nPer i flussi con agenti, il produttore raccomanda Qwen-Agent per i template e il parsing degli strumenti. Gli strumenti possono includere servizi collegati o un interprete di codice; è l’applicazione a definirli ed eseguirli. Ad esempio, assegnare a un assistente una consultazione dell’inventario in sola lettura con campi documentati e chiedergli di confrontare le scorte restituite con l’ordine fornito. Definire lo scopo dello strumento, gli argomenti accettati, la struttura del risultato e il perimetro delle autorizzazioni. Richiedere che la risposta finale distingua un’azione proposta da un risultato confermato dello strumento. Le capacità del modello relative agli strumenti non fanno avvenire da sole un’azione esterna. 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 contesto nativo è di 32,768 token. Il produttore convalida 131,072 token con l’espansione YaRN; questo dipende dalla configurazione e la scalatura statica può influire sugli input più brevi. Il budget di contesto include sia la richiesta sia la risposta generata. Per una specifica lunga, identificare le sezioni pertinenti alla decisione, etichettarle e riservare spazio alla risposta anziché riempire l’intero budget di testo sorgente. La scheda raccomanda 32,768 token di output per la maggior parte delle richieste, senza dichiarare tale valore un limite universale del servizio. 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. La scheda spiega inoltre l’allocazione posizionale predefinita di 40,960 token come 8,192 per i prompt tipici più 32,768 per l’output; si tratta di indicazioni di configurazione del produttore, separate dal contesto nativo di addestramento e dagli eventuali limiti dell’endpoint.\n\nIl campionamento raccomandato in modalità di ragionamento usa temperature 0.6, top-p 0.95, top-k 20 e min-p 0; la modalità senza ragionamento usa 0.7, 0.8, 20 e 0. Il produttore raccomanda la decodifica con campionamento e avverte che la decodifica greedy in modalità di ragionamento può causare ripetizioni. Penalità di presenza più elevate possono inoltre introdurre mescolanze linguistiche. Rendere il risultato facile da esaminare: richiedere un campo nominato per la risposta finale, una tabella decisionale con motivazioni oppure una patch di codice con esempi. Verificare i calcoli rispetto ai numeri forniti, eseguire il codice proposto nell’ambiente previsto ed esaminare i risultati degli strumenti prima di agire.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Reconcile duplicate transaction records\n\nCompare two reconciliation rules on these records: (id=A, revision=1, amount=10), (A,2,12), (B,1,5). Rule X sums every row; rule Y keeps the highest revision per ID, then sums. Requirement: one current amount per ID; equal-revision disagreements must be flagged. Choose a rule, propose pseudocode and give tests for duplicates and conflicting ties.A rule comparison, chosen algorithm, expected total for the supplied records and conflict tests.Check the algorithm uses ID plus revision semantics and does not silently choose between conflicting equal revisions.qwen3-235b-a22bQwen3-235B-A22B combina ragionamento dettagliato e risposte testuali dirette in un unico modello mixture-of-experts. Utilizzarlo per analisi matematiche, codice, scrittura multilingue e assistenti che lavorano con strumenti collegati.
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.
Qwen3-235B-A22B porta l’approccio ibrido al ragionamento di Qwen3 in un grande modello mixture-of-experts. Le sue capacità testuali coprono problemi matematici e logici, generazione di codice, scrittura creativa, conversazioni basate su ruoli e rispetto delle istruzioni su più turni. Opera in oltre 100 lingue e dialetti. Per una discussione sullo sviluppo di un prodotto, fornire i requisiti, un esempio concreto e la decisione necessaria: un confronto fra soluzioni progettuali, un’implementazione o una spiegazione utilizzabile da un pubblico specifico.
Il modello ha 235 miliardi di parametri totali e ne attiva 22 miliardi durante l’elaborazione. La sua architettura comprende 128 esperti, ne seleziona otto e ha 94 livelli. Questi valori identificano questa versione; i modelli Qwen3 più piccoli e l’edizione FP8 hanno identità separate. Input e output sono testuali. Un’attività di ingegneria adatta consiste nel confrontare due algoritmi di riconciliazione usando gli stessi record di esempio, identificare i vincoli soddisfatti da ciascuno e restituire l’algoritmo scelto con casi di test. Fornire i nomi reali dei campi, le regole di gestione dei duplicati e i totali attesi affinché la risposta possa essere verificata rispetto al problema originale.
Preparare la richiesta come messaggi di chat, tenendo separati materiale sorgente e istruzioni. Per una domanda matematica, includere l’enunciato completo, le ipotesi consentite e la notazione, quindi richiedere una risposta finale in una forma specifica. Per il codice, includere la funzione pertinente, il linguaggio, un input rappresentativo e l’errore osservato. Chiedere la modifica minima giustificata e descrivere quale comportamento esistente deve essere mantenuto. Per la scrittura multilingue, indicare il pubblico e un elenco terminologico anziché richiedere una traduzione generica. 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.
Ragionamento e risposta senza ragionamento sono modalità dello stesso modello. Il template di chat del produttore abilita il ragionamento per impostazione predefinita; un’impostazione esplicita di configurazione può disabilitarlo. Quando il ragionamento resta abilitato, /think e /no_think consentono il controllo a livello di turno tramite il prompt, con precedenza all’istruzione più recente. Se il ragionamento è disabilitato nella configurazione, questi comandi nel prompt non hanno effetto. In un’interfaccia per sviluppatori, mantenere la risposta finale distinta dalla sezione di ragionamento e riportare la risposta finale nella cronologia successiva. Scegliere deliberatamente la modalità: un confronto controverso fra algoritmi e una breve riscrittura richiedono quantità diverse di analisi. 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.
Per i flussi con agenti, il produttore raccomanda Qwen-Agent per i template e il parsing degli strumenti. Gli strumenti possono includere servizi collegati o un interprete di codice; è l’applicazione a definirli ed eseguirli. Ad esempio, assegnare a un assistente una consultazione dell’inventario in sola lettura con campi documentati e chiedergli di confrontare le scorte restituite con l’ordine fornito. Definire lo scopo dello strumento, gli argomenti accettati, la struttura del risultato e il perimetro delle autorizzazioni. Richiedere che la risposta finale distingua un’azione proposta da un risultato confermato dello strumento. Le capacità del modello relative agli strumenti non fanno avvenire da sole un’azione esterna. La guida Qwen3 descrive anche chiamate parallele e in più passaggi agli strumenti, con argomenti rappresentati come oggetti e risultati reinseriti nella conversazione.
Il contesto nativo è di 32,768 token. Il produttore convalida 131,072 token con l’espansione YaRN; questo dipende dalla configurazione e la scalatura statica può influire sugli input più brevi. Il budget di contesto include sia la richiesta sia la risposta generata. Per una specifica lunga, identificare le sezioni pertinenti alla decisione, etichettarle e riservare spazio alla risposta anziché riempire l’intero budget di testo sorgente. La scheda raccomanda 32,768 token di output per la maggior parte delle richieste, senza dichiarare tale valore un limite universale del servizio. 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. La scheda spiega inoltre l’allocazione posizionale predefinita di 40,960 token come 8,192 per i prompt tipici più 32,768 per l’output; si tratta di indicazioni di configurazione del produttore, separate dal contesto nativo di addestramento e dagli eventuali limiti dell’endpoint.
Il campionamento raccomandato in modalità di ragionamento usa temperature 0.6, top-p 0.95, top-k 20 e min-p 0; la modalità senza ragionamento usa 0.7, 0.8, 20 e 0. Il produttore raccomanda la decodifica con campionamento e avverte che la decodifica greedy in modalità di ragionamento può causare ripetizioni. Penalità di presenza più elevate possono inoltre introdurre mescolanze linguistiche. Rendere il risultato facile da esaminare: richiedere un campo nominato per la risposta finale, una tabella decisionale con motivazioni oppure una patch di codice con esempi. Verificare i calcoli rispetto ai numeri forniti, eseguire il codice proposto nell’ambiente previsto ed esaminare i risultati degli strumenti prima di agire.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen3-235b-a22b | 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 $0.00114 / 1K token Output · Token in output $0.00342 / 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": "qwen3-235b-a22b", "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='qwen3-235b-a22b',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='qwen3-235b-a22b',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 qwen3-235b-a22b
Usa i percorsi dei metodi indicati sopra.
qwen3-235b-a22bQwen3-235B-A22B combina ragionamento dettagliato e risposte testuali dirette in un unico modello mixture-of-experts. Utilizzarlo per analisi matematiche, codice, scrittura multilingue e assistenti che lavorano con strumenti collegati.
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.
Qwen3-235B-A22B porta l’approccio ibrido al ragionamento di Qwen3 in un grande modello mixture-of-experts. Le sue capacità testuali coprono problemi matematici e logici, generazione di codice, scrittura creativa, conversazioni basate su ruoli e rispetto delle istruzioni su più turni. Opera in oltre 100 lingue e dialetti. Per una discussione sullo sviluppo di un prodotto, fornire i requisiti, un esempio concreto e la decisione necessaria: un confronto fra soluzioni progettuali, un’implementazione o una spiegazione utilizzabile da un pubblico specifico.
Il modello ha 235 miliardi di parametri totali e ne attiva 22 miliardi durante l’elaborazione. La sua architettura comprende 128 esperti, ne seleziona otto e ha 94 livelli. Questi valori identificano questa versione; i modelli Qwen3 più piccoli e l’edizione FP8 hanno identità separate. Input e output sono testuali. Un’attività di ingegneria adatta consiste nel confrontare due algoritmi di riconciliazione usando gli stessi record di esempio, identificare i vincoli soddisfatti da ciascuno e restituire l’algoritmo scelto con casi di test. Fornire i nomi reali dei campi, le regole di gestione dei duplicati e i totali attesi affinché la risposta possa essere verificata rispetto al problema originale.
Preparare la richiesta come messaggi di chat, tenendo separati materiale sorgente e istruzioni. Per una domanda matematica, includere l’enunciato completo, le ipotesi consentite e la notazione, quindi richiedere una risposta finale in una forma specifica. Per il codice, includere la funzione pertinente, il linguaggio, un input rappresentativo e l’errore osservato. Chiedere la modifica minima giustificata e descrivere quale comportamento esistente deve essere mantenuto. Per la scrittura multilingue, indicare il pubblico e un elenco terminologico anziché richiedere una traduzione generica. 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.
Ragionamento e risposta senza ragionamento sono modalità dello stesso modello. Il template di chat del produttore abilita il ragionamento per impostazione predefinita; un’impostazione esplicita di configurazione può disabilitarlo. Quando il ragionamento resta abilitato, /think e /no_think consentono il controllo a livello di turno tramite il prompt, con precedenza all’istruzione più recente. Se il ragionamento è disabilitato nella configurazione, questi comandi nel prompt non hanno effetto. In un’interfaccia per sviluppatori, mantenere la risposta finale distinta dalla sezione di ragionamento e riportare la risposta finale nella cronologia successiva. Scegliere deliberatamente la modalità: un confronto controverso fra algoritmi e una breve riscrittura richiedono quantità diverse di analisi. 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.
Per i flussi con agenti, il produttore raccomanda Qwen-Agent per i template e il parsing degli strumenti. Gli strumenti possono includere servizi collegati o un interprete di codice; è l’applicazione a definirli ed eseguirli. Ad esempio, assegnare a un assistente una consultazione dell’inventario in sola lettura con campi documentati e chiedergli di confrontare le scorte restituite con l’ordine fornito. Definire lo scopo dello strumento, gli argomenti accettati, la struttura del risultato e il perimetro delle autorizzazioni. Richiedere che la risposta finale distingua un’azione proposta da un risultato confermato dello strumento. Le capacità del modello relative agli strumenti non fanno avvenire da sole un’azione esterna. La guida Qwen3 descrive anche chiamate parallele e in più passaggi agli strumenti, con argomenti rappresentati come oggetti e risultati reinseriti nella conversazione.
Il contesto nativo è di 32,768 token. Il produttore convalida 131,072 token con l’espansione YaRN; questo dipende dalla configurazione e la scalatura statica può influire sugli input più brevi. Il budget di contesto include sia la richiesta sia la risposta generata. Per una specifica lunga, identificare le sezioni pertinenti alla decisione, etichettarle e riservare spazio alla risposta anziché riempire l’intero budget di testo sorgente. La scheda raccomanda 32,768 token di output per la maggior parte delle richieste, senza dichiarare tale valore un limite universale del servizio. 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. La scheda spiega inoltre l’allocazione posizionale predefinita di 40,960 token come 8,192 per i prompt tipici più 32,768 per l’output; si tratta di indicazioni di configurazione del produttore, separate dal contesto nativo di addestramento e dagli eventuali limiti dell’endpoint.
Il campionamento raccomandato in modalità di ragionamento usa temperature 0.6, top-p 0.95, top-k 20 e min-p 0; la modalità senza ragionamento usa 0.7, 0.8, 20 e 0. Il produttore raccomanda la decodifica con campionamento e avverte che la decodifica greedy in modalità di ragionamento può causare ripetizioni. Penalità di presenza più elevate possono inoltre introdurre mescolanze linguistiche. Rendere il risultato facile da esaminare: richiedere un campo nominato per la risposta finale, una tabella decisionale con motivazioni oppure una patch di codice con esempi. Verificare i calcoli rispetto ai numeri forniti, eseguire il codice proposto nell’ambiente previsto ed esaminare i risultati degli strumenti prima di agire.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti qwen3-235b-a22b | 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 $0.00114 / 1K token Output · Token in output $0.00342 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "qwen3-235b-a22b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-235b-a22b', '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': 'qwen3-235b-a22b', '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 qwen3-235b-a22b
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Reconcile duplicate transaction records\n\nCompare two reconciliation rules on these records: (id=A, revision=1, amount=10), (A,2,12), (B,1,5). Rule X sums every row; rule Y keeps the highest revision per ID, then sums. Requirement: one current amount per ID; equal-revision disagreements must be flagged. Choose a rule, propose pseudocode and give tests for duplicates and conflicting ties.A rule comparison, chosen algorithm, expected total for the supplied records and conflict tests.Check the algorithm uses ID plus revision semantics and does not silently choose between conflicting equal revisions.