주요 특징: 고정된 Thinking-2507 릴리스
Qwen3-30B-A3B-Thinking-2507은 어려운 추론에 초점을 맞춘 텍스트 생성 모델입니다. Qwen은 더 긴 사고 시퀀스와 강화된 장문 컨텍스트 이해와 함께 논리, 수학, 과학, 코딩, 지시 이행, 도구 사용, 텍스트 생성의 개선을 설명합니다. 상충하는 설명의 검토, 여러 단계의 수학 문제 해결, 복잡한 코드 변경 분석처럼 지속적인 추론이 유용한 작업에 이 정확한 2507 에디션을 선택하세요.
모델 개요와 모드
이 전문가 혼합 모델은 총 파라미터 30.5B 개, 활성화 파라미터 3.3B 개를 갖추며, 48개 레이어에 걸쳐 128개 전문가 중 토큰당 8개를 선택합니다. 기본 컨텍스트는 262,144토큰입니다. 텍스트를 입력받아 텍스트를 반환하며, 도구 결과는 연결된 애플리케이션 워크플로를 통해 제공됩니다. 이 체크포인트는 사고 모드만 지원합니다. 이전 하이브리드 Qwen3-30B-A3B, 그 FP8 에디션, Qwen3-30B-A3B-Instruct-2507과는 구분됩니다. 하이브리드 모델의 비사고 전환 기능이 여기에도 적용된다고 가정하면 안 됩니다.
기본 채팅 템플릿이 이미 사고 시작 마커로 추론 시퀀스를 시작하므로 enable_thinking=True를 명시적으로 설정할 필요가 없습니다. 반환된 시퀀스에는 시작 마커가 반복되지 않고 종료 마커만 포함될 수 있습니다. 제작사의 예제는 추론과 최종 답변을 분리합니다. 구체적인 산출물을 요청할 때도 이 구분을 유지하세요. 증명의 결론, 패치, 의사결정 표를 긴 설명 뒤에서도 쉽게 찾을 수 있어야 합니다.
어려운 작업 준비하기
전체 문제 설명, 제약 조건, 관련 증거를 모델에 제공하세요. 코드 변경에서는 기존 함수, 실패 입력, 기대 동작을 포함한 뒤 경계 사례 설명과 함께 제안 패치를 요청하세요. 과학 질문에서는 관찰과 가정을 분리하고 각각에서 어떤 결론이 도출되는지 물어보세요. 긴 정책이나 사양에서는 절 식별자를 유지하고 관련 조항으로 뒷받침되는 간결한 결정을 요청하세요. 이는 문서화된 추론 영역의 실용적인 활용이며, 모델이 패치를 실행했거나 실험을 검증했다는 주장은 아닙니다.
이 버전은 길게 추론할 수 있으므로 추론과 최종 산출물 모두를 위한 공간을 확보하세요. Qwen은 모델을 구성할 때, 더 작은 컨텍스트가 메모리 부담을 줄이더라도 가능하면 131,072토큰을 넘는 컨텍스트를 유지하도록 권고합니다. 기본 컨텍스트 수치에는 시퀀스 예산이 포함됩니다. 전부를 문서 입력에 사용하면서 답변 공간은 무제한으로 남는다는 뜻이 아닙니다.
에이전트 활용
제작사는 도구 호출을 문서화하며, 설정된 도구 및 코드 인터프리터 워크플로와의 통합을 포함해 도구 템플릿과 파싱에 Qwen-Agent를 권장합니다. 도구와 의도한 결과를 명시적으로 정의하세요. 예를 들어 애플리케이션은 모델이 검색된 증거를 점검하고, 허용된 계산기를 사용한 뒤, 계산을 설명하는 보고서를 작성하도록 할 수 있습니다. 검색과 실행은 연결된 도구가 담당합니다. 모델의 도구 호출 기능 자체가 인터넷, 코드 환경, 업무 시스템에 대한 접근 권한을 확립하지는 않습니다.
초장문 텍스트 처리
Qwen은 Dual Chunk Attention과 MInference 희소 어텐션을 결합해 약 100만 토큰에 도달하는 선택적 워크플로를 문서화합니다. 첫 번째 기법은 긴 시퀀스를 청크로 나누면서 청크 간 상호작용을 유지하며, 두 번째 기법은 선택한 어텐션 관계에 연산을 집중합니다. 이는 기본 262,144토큰 컨텍스트를 넘어서는 추가 구성 경로입니다. 제작사의 레시피에는 특수한 장문 컨텍스트 설정이 필요하며, 가중치, 캐시된 어텐션 상태, 최대 활성값을 위한 총 GPU 메모리를 약 240 GB로 추정합니다.
이 레시피에는 구체적인 자원 한계가 있습니다. 캐시된 시퀀스 상태, 활성값 메모리, 전체 입력 길이가 각각 설정된 용량을 소진할 수 있습니다. 따라서 100만 토큰 워크플로는 구성, 메모리, 지원되는 어텐션 구현에 달려 있습니다. 실무 문서 검토에서는 최대 입력을 명확한 질문의 대체물로 삼기보다 관련 자료부터 시작하고, 문서 경계를 표시하며, 추적 가능한 증거를 요청하세요.
생성 지침과 한도
Qwen은 temperature 0.6, top_p 0.95, top_k 20, min_p 0을 권장합니다. 대부분의 질의에는 32,768토큰의 출력 예산을, 유난히 어려운 수학 또는 프로그래밍 문제에는 81,920토큰을 제안합니다. 이는 생성 예산 권장사항이며 별도로 공개된 엄격한 출력 상한이 아닙니다. 0에서 2 사이의 presence penalty는 반복을 줄일 수 있지만, 값이 높으면 언어가 섞이거나 품질이 다소 낮아질 수 있습니다.
프롬프트에 구분자로 표시한 수학 결과나 객관식 문제의 답변 필드처럼 최종 답변 형식을 지정하세요. 제작사의 권고대로 대화 기록에는 최종 답변 부분만 유지하세요. 긴 추론은 확인 가능한 결과로 이어질 때 유용합니다. 결과에 의존하기 전에 가정, 계산, 제안 코드를 점검하세요.
", "aboutText": "주요 특징: 고정된 Thinking-2507 릴리스\n\nQwen3-30B-A3B-Thinking-2507은 어려운 추론에 초점을 맞춘 텍스트 생성 모델입니다. Qwen은 더 긴 사고 시퀀스와 강화된 장문 컨텍스트 이해와 함께 논리, 수학, 과학, 코딩, 지시 이행, 도구 사용, 텍스트 생성의 개선을 설명합니다. 상충하는 설명의 검토, 여러 단계의 수학 문제 해결, 복잡한 코드 변경 분석처럼 지속적인 추론이 유용한 작업에 이 정확한 2507 에디션을 선택하세요.\n\n모델 개요와 모드\n\n이 전문가 혼합 모델은 총 파라미터 30.5B 개, 활성화 파라미터 3.3B 개를 갖추며, 48개 레이어에 걸쳐 128개 전문가 중 토큰당 8개를 선택합니다. 기본 컨텍스트는 262,144토큰입니다. 텍스트를 입력받아 텍스트를 반환하며, 도구 결과는 연결된 애플리케이션 워크플로를 통해 제공됩니다. 이 체크포인트는 사고 모드만 지원합니다. 이전 하이브리드 Qwen3-30B-A3B, 그 FP8 에디션, Qwen3-30B-A3B-Instruct-2507과는 구분됩니다. 하이브리드 모델의 비사고 전환 기능이 여기에도 적용된다고 가정하면 안 됩니다.\n\n기본 채팅 템플릿이 이미 사고 시작 마커로 추론 시퀀스를 시작하므로 enable_thinking=True를 명시적으로 설정할 필요가 없습니다. 반환된 시퀀스에는 시작 마커가 반복되지 않고 종료 마커만 포함될 수 있습니다. 제작사의 예제는 추론과 최종 답변을 분리합니다. 구체적인 산출물을 요청할 때도 이 구분을 유지하세요. 증명의 결론, 패치, 의사결정 표를 긴 설명 뒤에서도 쉽게 찾을 수 있어야 합니다.\n\n어려운 작업 준비하기\n\n전체 문제 설명, 제약 조건, 관련 증거를 모델에 제공하세요. 코드 변경에서는 기존 함수, 실패 입력, 기대 동작을 포함한 뒤 경계 사례 설명과 함께 제안 패치를 요청하세요. 과학 질문에서는 관찰과 가정을 분리하고 각각에서 어떤 결론이 도출되는지 물어보세요. 긴 정책이나 사양에서는 절 식별자를 유지하고 관련 조항으로 뒷받침되는 간결한 결정을 요청하세요. 이는 문서화된 추론 영역의 실용적인 활용이며, 모델이 패치를 실행했거나 실험을 검증했다는 주장은 아닙니다.\n\n이 버전은 길게 추론할 수 있으므로 추론과 최종 산출물 모두를 위한 공간을 확보하세요. Qwen은 모델을 구성할 때, 더 작은 컨텍스트가 메모리 부담을 줄이더라도 가능하면 131,072토큰을 넘는 컨텍스트를 유지하도록 권고합니다. 기본 컨텍스트 수치에는 시퀀스 예산이 포함됩니다. 전부를 문서 입력에 사용하면서 답변 공간은 무제한으로 남는다는 뜻이 아닙니다.\n\n에이전트 활용\n\n제작사는 도구 호출을 문서화하며, 설정된 도구 및 코드 인터프리터 워크플로와의 통합을 포함해 도구 템플릿과 파싱에 Qwen-Agent를 권장합니다. 도구와 의도한 결과를 명시적으로 정의하세요. 예를 들어 애플리케이션은 모델이 검색된 증거를 점검하고, 허용된 계산기를 사용한 뒤, 계산을 설명하는 보고서를 작성하도록 할 수 있습니다. 검색과 실행은 연결된 도구가 담당합니다. 모델의 도구 호출 기능 자체가 인터넷, 코드 환경, 업무 시스템에 대한 접근 권한을 확립하지는 않습니다.\n\n초장문 텍스트 처리\n\nQwen은 Dual Chunk Attention과 MInference 희소 어텐션을 결합해 약 100만 토큰에 도달하는 선택적 워크플로를 문서화합니다. 첫 번째 기법은 긴 시퀀스를 청크로 나누면서 청크 간 상호작용을 유지하며, 두 번째 기법은 선택한 어텐션 관계에 연산을 집중합니다. 이는 기본 262,144토큰 컨텍스트를 넘어서는 추가 구성 경로입니다. 제작사의 레시피에는 특수한 장문 컨텍스트 설정이 필요하며, 가중치, 캐시된 어텐션 상태, 최대 활성값을 위한 총 GPU 메모리를 약 240 GB로 추정합니다.\n\n이 레시피에는 구체적인 자원 한계가 있습니다. 캐시된 시퀀스 상태, 활성값 메모리, 전체 입력 길이가 각각 설정된 용량을 소진할 수 있습니다. 따라서 100만 토큰 워크플로는 구성, 메모리, 지원되는 어텐션 구현에 달려 있습니다. 실무 문서 검토에서는 최대 입력을 명확한 질문의 대체물로 삼기보다 관련 자료부터 시작하고, 문서 경계를 표시하며, 추적 가능한 증거를 요청하세요.\n\n생성 지침과 한도\n\nQwen은 temperature 0.6, top_p 0.95, top_k 20, min_p 0을 권장합니다. 대부분의 질의에는 32,768토큰의 출력 예산을, 유난히 어려운 수학 또는 프로그래밍 문제에는 81,920토큰을 제안합니다. 이는 생성 예산 권장사항이며 별도로 공개된 엄격한 출력 상한이 아닙니다. 0에서 2 사이의 presence penalty는 반복을 줄일 수 있지만, 값이 높으면 언어가 섞이거나 품질이 다소 낮아질 수 있습니다.\n\n프롬프트에 구분자로 표시한 수학 결과나 객관식 문제의 답변 필드처럼 최종 답변 형식을 지정하세요. 제작사의 권고대로 대화 기록에는 최종 답변 부분만 유지하세요. 긴 추론은 확인 가능한 결과로 이어질 때 유용합니다. 결과에 의존하기 전에 가정, 계산, 제안 코드를 점검하세요.", "editorialOverlay": { "copy_fields": { "practical_html": "영어 기술 예제
Solve a constrained staffing assignment\n\nAssign three reviewers, Ada, Ben and Cy, to morning, afternoon and evening shifts, one each. Ada cannot work evening. Ben must work later than Ada. Cy cannot work morning. List every valid assignment and explain how each constraint eliminates alternatives. Finish with whether the assignment is unique; do not assume additional availability.An enumeration of all valid assignments, a constraint check and a separate uniqueness conclusion.Every assignment uses all three shifts once and satisfies Ben later than Ada without adding availability rules.Qwen/Qwen3-30B-A3B-Thinking-2507Qwen3-30B-A3B-Thinking-2507은 난도 높은 수학, 과학, 코딩, 논리 추론을 위한 Qwen의 사고 전용 텍스트 모델입니다. 이 고정된 2507 에디션은 기본 262,144토큰 컨텍스트와 더 긴 추론 예산을 제공하며, 도구 호출 및 조건부 초장문 컨텍스트 워크플로가 문서화되어 있습니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
주요 특징: 고정된 Thinking-2507 릴리스
Qwen3-30B-A3B-Thinking-2507은 어려운 추론에 초점을 맞춘 텍스트 생성 모델입니다. Qwen은 더 긴 사고 시퀀스와 강화된 장문 컨텍스트 이해와 함께 논리, 수학, 과학, 코딩, 지시 이행, 도구 사용, 텍스트 생성의 개선을 설명합니다. 상충하는 설명의 검토, 여러 단계의 수학 문제 해결, 복잡한 코드 변경 분석처럼 지속적인 추론이 유용한 작업에 이 정확한 2507 에디션을 선택하세요.
모델 개요와 모드
이 전문가 혼합 모델은 총 파라미터 30.5B 개, 활성화 파라미터 3.3B 개를 갖추며, 48개 레이어에 걸쳐 128개 전문가 중 토큰당 8개를 선택합니다. 기본 컨텍스트는 262,144토큰입니다. 텍스트를 입력받아 텍스트를 반환하며, 도구 결과는 연결된 애플리케이션 워크플로를 통해 제공됩니다. 이 체크포인트는 사고 모드만 지원합니다. 이전 하이브리드 Qwen3-30B-A3B, 그 FP8 에디션, Qwen3-30B-A3B-Instruct-2507과는 구분됩니다. 하이브리드 모델의 비사고 전환 기능이 여기에도 적용된다고 가정하면 안 됩니다.
기본 채팅 템플릿이 이미 사고 시작 마커로 추론 시퀀스를 시작하므로 enable_thinking=True를 명시적으로 설정할 필요가 없습니다. 반환된 시퀀스에는 시작 마커가 반복되지 않고 종료 마커만 포함될 수 있습니다. 제작사의 예제는 추론과 최종 답변을 분리합니다. 구체적인 산출물을 요청할 때도 이 구분을 유지하세요. 증명의 결론, 패치, 의사결정 표를 긴 설명 뒤에서도 쉽게 찾을 수 있어야 합니다.
어려운 작업 준비하기
전체 문제 설명, 제약 조건, 관련 증거를 모델에 제공하세요. 코드 변경에서는 기존 함수, 실패 입력, 기대 동작을 포함한 뒤 경계 사례 설명과 함께 제안 패치를 요청하세요. 과학 질문에서는 관찰과 가정을 분리하고 각각에서 어떤 결론이 도출되는지 물어보세요. 긴 정책이나 사양에서는 절 식별자를 유지하고 관련 조항으로 뒷받침되는 간결한 결정을 요청하세요. 이는 문서화된 추론 영역의 실용적인 활용이며, 모델이 패치를 실행했거나 실험을 검증했다는 주장은 아닙니다.
이 버전은 길게 추론할 수 있으므로 추론과 최종 산출물 모두를 위한 공간을 확보하세요. Qwen은 모델을 구성할 때, 더 작은 컨텍스트가 메모리 부담을 줄이더라도 가능하면 131,072토큰을 넘는 컨텍스트를 유지하도록 권고합니다. 기본 컨텍스트 수치에는 시퀀스 예산이 포함됩니다. 전부를 문서 입력에 사용하면서 답변 공간은 무제한으로 남는다는 뜻이 아닙니다.
에이전트 활용
제작사는 도구 호출을 문서화하며, 설정된 도구 및 코드 인터프리터 워크플로와의 통합을 포함해 도구 템플릿과 파싱에 Qwen-Agent를 권장합니다. 도구와 의도한 결과를 명시적으로 정의하세요. 예를 들어 애플리케이션은 모델이 검색된 증거를 점검하고, 허용된 계산기를 사용한 뒤, 계산을 설명하는 보고서를 작성하도록 할 수 있습니다. 검색과 실행은 연결된 도구가 담당합니다. 모델의 도구 호출 기능 자체가 인터넷, 코드 환경, 업무 시스템에 대한 접근 권한을 확립하지는 않습니다.
초장문 텍스트 처리
Qwen은 Dual Chunk Attention과 MInference 희소 어텐션을 결합해 약 100만 토큰에 도달하는 선택적 워크플로를 문서화합니다. 첫 번째 기법은 긴 시퀀스를 청크로 나누면서 청크 간 상호작용을 유지하며, 두 번째 기법은 선택한 어텐션 관계에 연산을 집중합니다. 이는 기본 262,144토큰 컨텍스트를 넘어서는 추가 구성 경로입니다. 제작사의 레시피에는 특수한 장문 컨텍스트 설정이 필요하며, 가중치, 캐시된 어텐션 상태, 최대 활성값을 위한 총 GPU 메모리를 약 240 GB로 추정합니다.
이 레시피에는 구체적인 자원 한계가 있습니다. 캐시된 시퀀스 상태, 활성값 메모리, 전체 입력 길이가 각각 설정된 용량을 소진할 수 있습니다. 따라서 100만 토큰 워크플로는 구성, 메모리, 지원되는 어텐션 구현에 달려 있습니다. 실무 문서 검토에서는 최대 입력을 명확한 질문의 대체물로 삼기보다 관련 자료부터 시작하고, 문서 경계를 표시하며, 추적 가능한 증거를 요청하세요.
생성 지침과 한도
Qwen은 temperature 0.6, top_p 0.95, top_k 20, min_p 0을 권장합니다. 대부분의 질의에는 32,768토큰의 출력 예산을, 유난히 어려운 수학 또는 프로그래밍 문제에는 81,920토큰을 제안합니다. 이는 생성 예산 권장사항이며 별도로 공개된 엄격한 출력 상한이 아닙니다. 0에서 2 사이의 presence penalty는 반복을 줄일 수 있지만, 값이 높으면 언어가 섞이거나 품질이 다소 낮아질 수 있습니다.
프롬프트에 구분자로 표시한 수학 결과나 객관식 문제의 답변 필드처럼 최종 답변 형식을 지정하세요. 제작사의 권고대로 대화 기록에는 최종 답변 부분만 유지하세요. 긴 추론은 확인 가능한 결과로 이어질 때 유용합니다. 결과에 의존하기 전에 가정, 계산, 제안 코드를 점검하세요.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 Qwen/Qwen3-30B-A3B-Thinking-2507 | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 최소 항목 수: 1 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 모델에 따라 다름 | 기본값— |
필드messages[].content | 유형string | 요건선택 사항 | 값과 한도 적용 조건: 텍스트 대화 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
텍스트 · UTF8 텍스트
messages[].content
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세model, messages |
매개변수material_types | 명세text |
매개변수messages | 명세role/content 형식의 메시지 배열 |
매개변수file_material | 명세실제 UTF-8 문서를 텍스트로 그대로 삽입합니다. 파일 ID는 추정하지 않습니다 |
매개변수optional_controls | 명세stream |
매개변수control_scope | 명세텍스트 대화. stream은 불리언이며 기본값은 false입니다. |
매개변수output_modalities | 명세text |
매개변수hosted_operations | 명세false |
매개변수multimodal_input_binding | 명세null |
메서드 별칭: /chat/completions
수명 주기: synchronous_or_streamed
정확한 모델 ID를 messages와 함께 보내세요.
컨텍스트 길이는 출력 상한이 아닙니다.
텍스트 파일은 텍스트를 그대로 제공할 수 있습니다. 이미지/오디오/파일 객체 입력에는 정확한 바인딩이 필요합니다.
요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.
| 설정 | 요금표 | 요금 |
|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 요금 입력 · 입력 토큰 $0.0002 / 1K 토큰 출력 · 출력 토큰 $0.0008 / 1K 토큰 입력 · 캐시 읽기 $0 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"Qwen/Qwen3-30B-A3B-Thinking-2507","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="Qwen/Qwen3-30B-A3B-Thinking-2507", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\njson 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
각 선택지와 그 콘텐츠·도구 호출·추론을 모두 보존하세요. SSE에서는 선택지/도구 인덱스별로 증분을 조합하고 최종 종료 사유와 사용량을 유지하세요.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드choices[].index | 유형integer |
필드choices[].message.content | 유형string|null |
필드choices[].message.tool_calls | 유형tool_call[] |
필드choices[].message.reasoning_content | 유형string |
필드choices[].message.reasoning_details | 유형object|array |
필드choices[].finish_reason | 유형string|null |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
Qwen/Qwen3-30B-A3B-Thinking-2507Qwen3-30B-A3B-Thinking-2507은 난도 높은 수학, 과학, 코딩, 논리 추론을 위한 Qwen의 사고 전용 텍스트 모델입니다. 이 고정된 2507 에디션은 기본 262,144토큰 컨텍스트와 더 긴 추론 예산을 제공하며, 도구 호출 및 조건부 초장문 컨텍스트 워크플로가 문서화되어 있습니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
주요 특징: 고정된 Thinking-2507 릴리스
Qwen3-30B-A3B-Thinking-2507은 어려운 추론에 초점을 맞춘 텍스트 생성 모델입니다. Qwen은 더 긴 사고 시퀀스와 강화된 장문 컨텍스트 이해와 함께 논리, 수학, 과학, 코딩, 지시 이행, 도구 사용, 텍스트 생성의 개선을 설명합니다. 상충하는 설명의 검토, 여러 단계의 수학 문제 해결, 복잡한 코드 변경 분석처럼 지속적인 추론이 유용한 작업에 이 정확한 2507 에디션을 선택하세요.
모델 개요와 모드
이 전문가 혼합 모델은 총 파라미터 30.5B 개, 활성화 파라미터 3.3B 개를 갖추며, 48개 레이어에 걸쳐 128개 전문가 중 토큰당 8개를 선택합니다. 기본 컨텍스트는 262,144토큰입니다. 텍스트를 입력받아 텍스트를 반환하며, 도구 결과는 연결된 애플리케이션 워크플로를 통해 제공됩니다. 이 체크포인트는 사고 모드만 지원합니다. 이전 하이브리드 Qwen3-30B-A3B, 그 FP8 에디션, Qwen3-30B-A3B-Instruct-2507과는 구분됩니다. 하이브리드 모델의 비사고 전환 기능이 여기에도 적용된다고 가정하면 안 됩니다.
기본 채팅 템플릿이 이미 사고 시작 마커로 추론 시퀀스를 시작하므로 enable_thinking=True를 명시적으로 설정할 필요가 없습니다. 반환된 시퀀스에는 시작 마커가 반복되지 않고 종료 마커만 포함될 수 있습니다. 제작사의 예제는 추론과 최종 답변을 분리합니다. 구체적인 산출물을 요청할 때도 이 구분을 유지하세요. 증명의 결론, 패치, 의사결정 표를 긴 설명 뒤에서도 쉽게 찾을 수 있어야 합니다.
어려운 작업 준비하기
전체 문제 설명, 제약 조건, 관련 증거를 모델에 제공하세요. 코드 변경에서는 기존 함수, 실패 입력, 기대 동작을 포함한 뒤 경계 사례 설명과 함께 제안 패치를 요청하세요. 과학 질문에서는 관찰과 가정을 분리하고 각각에서 어떤 결론이 도출되는지 물어보세요. 긴 정책이나 사양에서는 절 식별자를 유지하고 관련 조항으로 뒷받침되는 간결한 결정을 요청하세요. 이는 문서화된 추론 영역의 실용적인 활용이며, 모델이 패치를 실행했거나 실험을 검증했다는 주장은 아닙니다.
이 버전은 길게 추론할 수 있으므로 추론과 최종 산출물 모두를 위한 공간을 확보하세요. Qwen은 모델을 구성할 때, 더 작은 컨텍스트가 메모리 부담을 줄이더라도 가능하면 131,072토큰을 넘는 컨텍스트를 유지하도록 권고합니다. 기본 컨텍스트 수치에는 시퀀스 예산이 포함됩니다. 전부를 문서 입력에 사용하면서 답변 공간은 무제한으로 남는다는 뜻이 아닙니다.
에이전트 활용
제작사는 도구 호출을 문서화하며, 설정된 도구 및 코드 인터프리터 워크플로와의 통합을 포함해 도구 템플릿과 파싱에 Qwen-Agent를 권장합니다. 도구와 의도한 결과를 명시적으로 정의하세요. 예를 들어 애플리케이션은 모델이 검색된 증거를 점검하고, 허용된 계산기를 사용한 뒤, 계산을 설명하는 보고서를 작성하도록 할 수 있습니다. 검색과 실행은 연결된 도구가 담당합니다. 모델의 도구 호출 기능 자체가 인터넷, 코드 환경, 업무 시스템에 대한 접근 권한을 확립하지는 않습니다.
초장문 텍스트 처리
Qwen은 Dual Chunk Attention과 MInference 희소 어텐션을 결합해 약 100만 토큰에 도달하는 선택적 워크플로를 문서화합니다. 첫 번째 기법은 긴 시퀀스를 청크로 나누면서 청크 간 상호작용을 유지하며, 두 번째 기법은 선택한 어텐션 관계에 연산을 집중합니다. 이는 기본 262,144토큰 컨텍스트를 넘어서는 추가 구성 경로입니다. 제작사의 레시피에는 특수한 장문 컨텍스트 설정이 필요하며, 가중치, 캐시된 어텐션 상태, 최대 활성값을 위한 총 GPU 메모리를 약 240 GB로 추정합니다.
이 레시피에는 구체적인 자원 한계가 있습니다. 캐시된 시퀀스 상태, 활성값 메모리, 전체 입력 길이가 각각 설정된 용량을 소진할 수 있습니다. 따라서 100만 토큰 워크플로는 구성, 메모리, 지원되는 어텐션 구현에 달려 있습니다. 실무 문서 검토에서는 최대 입력을 명확한 질문의 대체물로 삼기보다 관련 자료부터 시작하고, 문서 경계를 표시하며, 추적 가능한 증거를 요청하세요.
생성 지침과 한도
Qwen은 temperature 0.6, top_p 0.95, top_k 20, min_p 0을 권장합니다. 대부분의 질의에는 32,768토큰의 출력 예산을, 유난히 어려운 수학 또는 프로그래밍 문제에는 81,920토큰을 제안합니다. 이는 생성 예산 권장사항이며 별도로 공개된 엄격한 출력 상한이 아닙니다. 0에서 2 사이의 presence penalty는 반복을 줄일 수 있지만, 값이 높으면 언어가 섞이거나 품질이 다소 낮아질 수 있습니다.
프롬프트에 구분자로 표시한 수학 결과나 객관식 문제의 답변 필드처럼 최종 답변 형식을 지정하세요. 제작사의 권고대로 대화 기록에는 최종 답변 부분만 유지하세요. 긴 추론은 확인 가능한 결과로 이어질 때 유용합니다. 결과에 의존하기 전에 가정, 계산, 제안 코드를 점검하세요.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 Qwen/Qwen3-30B-A3B-Thinking-2507 | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 user, assistant | 기본값— |
필드messages[].content | 유형string | 요건필수 | 값과 한도 | 기본값— |
필드max_tokens | 유형integer | 요건필수 | 값과 한도 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
텍스트 · UTF-8 텍스트
messages[].content 문자열
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세model, messages, max_tokens |
매개변수optional_controls | 명세stream |
매개변수material_types | 명세text |
매개변수text_file_material | 명세실제 UTF-8 문서를 읽고 그 텍스트를 지정된 입력 또는 메시지 콘텐츠 문자열에 넣으세요. |
수명 주기: synchronous_or_streamed
요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.
| 설정 | 요금표 | 요금 |
|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 요금 입력 · 입력 토큰 $0.0002 / 1K 토큰 출력 · 출력 토큰 $0.0008 / 1K 토큰 입력 · 캐시 읽기 $0 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "Qwen/Qwen3-30B-A3B-Thinking-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen3-30B-A3B-Thinking-2507', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen3-30B-A3B-Thinking-2507', '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 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
모든 콘텐츠 블록, 사고 서명, 실제 도구 사용 ID를 보존하세요. 모든 SSE 블록 증분을 조합하세요. 첫 텍스트 블록이 전체 출력은 아닙니다.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드id | 유형string |
필드model | 유형string |
필드content[] | 유형text|thinking|tool_use|other content block |
필드stop_reason | 유형string|null |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
qwen3-30b-a3b-thinking-2507Qwen3-30B-A3B-Thinking-2507은 난도 높은 수학, 과학, 코딩, 논리 추론을 위한 Qwen의 사고 전용 텍스트 모델입니다. 이 고정된 2507 에디션은 기본 262,144토큰 컨텍스트와 더 긴 추론 예산을 제공하며, 도구 호출 및 조건부 초장문 컨텍스트 워크플로가 문서화되어 있습니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
주요 특징: 고정된 Thinking-2507 릴리스
Qwen3-30B-A3B-Thinking-2507은 어려운 추론에 초점을 맞춘 텍스트 생성 모델입니다. Qwen은 더 긴 사고 시퀀스와 강화된 장문 컨텍스트 이해와 함께 논리, 수학, 과학, 코딩, 지시 이행, 도구 사용, 텍스트 생성의 개선을 설명합니다. 상충하는 설명의 검토, 여러 단계의 수학 문제 해결, 복잡한 코드 변경 분석처럼 지속적인 추론이 유용한 작업에 이 정확한 2507 에디션을 선택하세요.
모델 개요와 모드
이 전문가 혼합 모델은 총 파라미터 30.5B 개, 활성화 파라미터 3.3B 개를 갖추며, 48개 레이어에 걸쳐 128개 전문가 중 토큰당 8개를 선택합니다. 기본 컨텍스트는 262,144토큰입니다. 텍스트를 입력받아 텍스트를 반환하며, 도구 결과는 연결된 애플리케이션 워크플로를 통해 제공됩니다. 이 체크포인트는 사고 모드만 지원합니다. 이전 하이브리드 Qwen3-30B-A3B, 그 FP8 에디션, Qwen3-30B-A3B-Instruct-2507과는 구분됩니다. 하이브리드 모델의 비사고 전환 기능이 여기에도 적용된다고 가정하면 안 됩니다.
기본 채팅 템플릿이 이미 사고 시작 마커로 추론 시퀀스를 시작하므로 enable_thinking=True를 명시적으로 설정할 필요가 없습니다. 반환된 시퀀스에는 시작 마커가 반복되지 않고 종료 마커만 포함될 수 있습니다. 제작사의 예제는 추론과 최종 답변을 분리합니다. 구체적인 산출물을 요청할 때도 이 구분을 유지하세요. 증명의 결론, 패치, 의사결정 표를 긴 설명 뒤에서도 쉽게 찾을 수 있어야 합니다.
어려운 작업 준비하기
전체 문제 설명, 제약 조건, 관련 증거를 모델에 제공하세요. 코드 변경에서는 기존 함수, 실패 입력, 기대 동작을 포함한 뒤 경계 사례 설명과 함께 제안 패치를 요청하세요. 과학 질문에서는 관찰과 가정을 분리하고 각각에서 어떤 결론이 도출되는지 물어보세요. 긴 정책이나 사양에서는 절 식별자를 유지하고 관련 조항으로 뒷받침되는 간결한 결정을 요청하세요. 이는 문서화된 추론 영역의 실용적인 활용이며, 모델이 패치를 실행했거나 실험을 검증했다는 주장은 아닙니다.
이 버전은 길게 추론할 수 있으므로 추론과 최종 산출물 모두를 위한 공간을 확보하세요. Qwen은 모델을 구성할 때, 더 작은 컨텍스트가 메모리 부담을 줄이더라도 가능하면 131,072토큰을 넘는 컨텍스트를 유지하도록 권고합니다. 기본 컨텍스트 수치에는 시퀀스 예산이 포함됩니다. 전부를 문서 입력에 사용하면서 답변 공간은 무제한으로 남는다는 뜻이 아닙니다.
에이전트 활용
제작사는 도구 호출을 문서화하며, 설정된 도구 및 코드 인터프리터 워크플로와의 통합을 포함해 도구 템플릿과 파싱에 Qwen-Agent를 권장합니다. 도구와 의도한 결과를 명시적으로 정의하세요. 예를 들어 애플리케이션은 모델이 검색된 증거를 점검하고, 허용된 계산기를 사용한 뒤, 계산을 설명하는 보고서를 작성하도록 할 수 있습니다. 검색과 실행은 연결된 도구가 담당합니다. 모델의 도구 호출 기능 자체가 인터넷, 코드 환경, 업무 시스템에 대한 접근 권한을 확립하지는 않습니다.
초장문 텍스트 처리
Qwen은 Dual Chunk Attention과 MInference 희소 어텐션을 결합해 약 100만 토큰에 도달하는 선택적 워크플로를 문서화합니다. 첫 번째 기법은 긴 시퀀스를 청크로 나누면서 청크 간 상호작용을 유지하며, 두 번째 기법은 선택한 어텐션 관계에 연산을 집중합니다. 이는 기본 262,144토큰 컨텍스트를 넘어서는 추가 구성 경로입니다. 제작사의 레시피에는 특수한 장문 컨텍스트 설정이 필요하며, 가중치, 캐시된 어텐션 상태, 최대 활성값을 위한 총 GPU 메모리를 약 240 GB로 추정합니다.
이 레시피에는 구체적인 자원 한계가 있습니다. 캐시된 시퀀스 상태, 활성값 메모리, 전체 입력 길이가 각각 설정된 용량을 소진할 수 있습니다. 따라서 100만 토큰 워크플로는 구성, 메모리, 지원되는 어텐션 구현에 달려 있습니다. 실무 문서 검토에서는 최대 입력을 명확한 질문의 대체물로 삼기보다 관련 자료부터 시작하고, 문서 경계를 표시하며, 추적 가능한 증거를 요청하세요.
생성 지침과 한도
Qwen은 temperature 0.6, top_p 0.95, top_k 20, min_p 0을 권장합니다. 대부분의 질의에는 32,768토큰의 출력 예산을, 유난히 어려운 수학 또는 프로그래밍 문제에는 81,920토큰을 제안합니다. 이는 생성 예산 권장사항이며 별도로 공개된 엄격한 출력 상한이 아닙니다. 0에서 2 사이의 presence penalty는 반복을 줄일 수 있지만, 값이 높으면 언어가 섞이거나 품질이 다소 낮아질 수 있습니다.
프롬프트에 구분자로 표시한 수학 결과나 객관식 문제의 답변 필드처럼 최종 답변 형식을 지정하세요. 제작사의 권고대로 대화 기록에는 최종 답변 부분만 유지하세요. 긴 추론은 확인 가능한 결과로 이어질 때 유용합니다. 결과에 의존하기 전에 가정, 계산, 제안 코드를 점검하세요.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 qwen3-30b-a3b-thinking-2507 | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 최소 항목 수: 1 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 예시: system, user, assistant, tool, function 조건: 이 역할들은 소스 코드의 호환 타입에 명시적으로 표현됩니다. 정확한 모델 역할 집합은 모델별로 다릅니다. 모델에 따라 다름 | 기본값— |
필드messages[].content | 유형string|content_part[]|null | 요건선택 사항 | 값과 한도 | 기본값— |
필드messages[].tool_calls | 유형tool_call[] | 요건선택 사항 | 값과 한도 | 기본값— |
필드messages[].tool_call_id | 유형string | 요건선택 사항 | 값과 한도 적용 조건: role=tool. 실제 반환된 ID를 사용하세요 | 기본값— |
필드messages[].name | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드messages[].reasoning_content | 유형string | 요건선택 사항 | 값과 한도 적용 조건: 이 모델이 추론을 사용하는 경우 실제 반환된 추론을 그대로 다음 요청에 다시 전달하세요 | 기본값— |
필드messages[].reasoning_details | 유형object|array | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드max_tokens | 유형integer | 요건선택 사항 | 값과 한도 최솟값: 1 모델에 따라 다름 | 기본값— |
필드max_completion_tokens | 유형integer | 요건선택 사항 | 값과 한도 최솟값: 1 모델에 따라 다름 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
필드stream_options.include_usage | 유형boolean | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드temperature | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드top_p | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드stop | 유형string|string[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools | 유형function_tool[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools[].type | 유형string | 요건선택 사항 | 값과 한도 function 모델에 따라 다름 | 기본값— |
필드tools[].function.name | 유형string | 요건필수 | 값과 한도 적용 조건: 함수 도구 지정됨 | 기본값— |
필드tools[].function.description | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드tools[].function.parameters | 유형JSON_schema | 요건선택 사항 | 값과 한도 | 기본값— |
필드tool_choice | 유형string|object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드parallel_tool_calls | 유형boolean | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드response_format | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드reasoning_effort | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드reasoning | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드service_tier | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드instructions | 유형string | 요건선택 사항 | 값과 한도 호환성 필드 | 기본값— |
필드functions | 유형function[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드function_call | 유형string|object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드prompt_cache_options | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드modalities | 유형string[] | 요건선택 사항 | 값과 한도 text | 기본값— |
필드provider | 유형object | 요건선택 사항 | 값과 한도 조건: 이 Ultra 텍스트 경로에서는 provider.options가 거부됩니다 | 기본값— |
필드cache_control.ttl | 유형string | 요건선택 사항 | 값과 한도 조건: 실제 프롬프트 캐시 지정 위치에서는 1h가 거부됩니다 | 기본값— |
텍스트 · UTF8 텍스트
messages[].content
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세model, messages |
매개변수material_types | 명세text |
매개변수messages | 명세role/content 형식의 메시지 배열 |
매개변수file_material | 명세실제 UTF-8 문서를 텍스트로 그대로 삽입합니다. 파일 ID는 추정하지 않습니다 |
매개변수optional_controls | 명세stream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
매개변수control_scope | 명세모델별로 다름. 사용자 함수 도구와 호스팅 도구는 서로 다릅니다 |
매개변수output_modalities | 명세text |
매개변수hosted_operations | 명세false |
매개변수multimodal_input_binding | 명세null |
수명 주기: synchronous_or_streamed
정확한 모델 ID를 messages와 함께 보내세요.
컨텍스트 길이는 출력 상한이 아닙니다.
텍스트 파일은 텍스트를 그대로 제공할 수 있습니다. 이미지/오디오/파일 객체 입력에는 정확한 바인딩이 필요합니다.
요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.
| 설정 | 요금표 | 요금 |
|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 요금 입력 · 입력 토큰 $0.0002 / 1K 토큰 출력 · 출력 토큰 $0.0008 / 1K 토큰 입력 · 캐시 읽기 $0 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen3-30b-a3b-thinking-2507", "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='qwen3-30b-a3b-thinking-2507',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='qwen3-30b-a3b-thinking-2507',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 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
각 선택지와 그 콘텐츠·도구 호출·추론을 모두 보존하세요. SSE에서는 선택지/도구 인덱스별로 증분을 조합하고 최종 종료 사유와 사용량을 유지하세요.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드choices[].index | 유형integer |
필드choices[].message.content | 유형string|null |
필드choices[].message.tool_calls | 유형tool_call[] |
필드choices[].message.reasoning_content | 유형string |
필드choices[].message.reasoning_details | 유형object|array |
필드choices[].finish_reason | 유형string|null |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
qwen3-30b-a3b-thinking-2507Qwen3-30B-A3B-Thinking-2507은 난도 높은 수학, 과학, 코딩, 논리 추론을 위한 Qwen의 사고 전용 텍스트 모델입니다. 이 고정된 2507 에디션은 기본 262,144토큰 컨텍스트와 더 긴 추론 예산을 제공하며, 도구 호출 및 조건부 초장문 컨텍스트 워크플로가 문서화되어 있습니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
주요 특징: 고정된 Thinking-2507 릴리스
Qwen3-30B-A3B-Thinking-2507은 어려운 추론에 초점을 맞춘 텍스트 생성 모델입니다. Qwen은 더 긴 사고 시퀀스와 강화된 장문 컨텍스트 이해와 함께 논리, 수학, 과학, 코딩, 지시 이행, 도구 사용, 텍스트 생성의 개선을 설명합니다. 상충하는 설명의 검토, 여러 단계의 수학 문제 해결, 복잡한 코드 변경 분석처럼 지속적인 추론이 유용한 작업에 이 정확한 2507 에디션을 선택하세요.
모델 개요와 모드
이 전문가 혼합 모델은 총 파라미터 30.5B 개, 활성화 파라미터 3.3B 개를 갖추며, 48개 레이어에 걸쳐 128개 전문가 중 토큰당 8개를 선택합니다. 기본 컨텍스트는 262,144토큰입니다. 텍스트를 입력받아 텍스트를 반환하며, 도구 결과는 연결된 애플리케이션 워크플로를 통해 제공됩니다. 이 체크포인트는 사고 모드만 지원합니다. 이전 하이브리드 Qwen3-30B-A3B, 그 FP8 에디션, Qwen3-30B-A3B-Instruct-2507과는 구분됩니다. 하이브리드 모델의 비사고 전환 기능이 여기에도 적용된다고 가정하면 안 됩니다.
기본 채팅 템플릿이 이미 사고 시작 마커로 추론 시퀀스를 시작하므로 enable_thinking=True를 명시적으로 설정할 필요가 없습니다. 반환된 시퀀스에는 시작 마커가 반복되지 않고 종료 마커만 포함될 수 있습니다. 제작사의 예제는 추론과 최종 답변을 분리합니다. 구체적인 산출물을 요청할 때도 이 구분을 유지하세요. 증명의 결론, 패치, 의사결정 표를 긴 설명 뒤에서도 쉽게 찾을 수 있어야 합니다.
어려운 작업 준비하기
전체 문제 설명, 제약 조건, 관련 증거를 모델에 제공하세요. 코드 변경에서는 기존 함수, 실패 입력, 기대 동작을 포함한 뒤 경계 사례 설명과 함께 제안 패치를 요청하세요. 과학 질문에서는 관찰과 가정을 분리하고 각각에서 어떤 결론이 도출되는지 물어보세요. 긴 정책이나 사양에서는 절 식별자를 유지하고 관련 조항으로 뒷받침되는 간결한 결정을 요청하세요. 이는 문서화된 추론 영역의 실용적인 활용이며, 모델이 패치를 실행했거나 실험을 검증했다는 주장은 아닙니다.
이 버전은 길게 추론할 수 있으므로 추론과 최종 산출물 모두를 위한 공간을 확보하세요. Qwen은 모델을 구성할 때, 더 작은 컨텍스트가 메모리 부담을 줄이더라도 가능하면 131,072토큰을 넘는 컨텍스트를 유지하도록 권고합니다. 기본 컨텍스트 수치에는 시퀀스 예산이 포함됩니다. 전부를 문서 입력에 사용하면서 답변 공간은 무제한으로 남는다는 뜻이 아닙니다.
에이전트 활용
제작사는 도구 호출을 문서화하며, 설정된 도구 및 코드 인터프리터 워크플로와의 통합을 포함해 도구 템플릿과 파싱에 Qwen-Agent를 권장합니다. 도구와 의도한 결과를 명시적으로 정의하세요. 예를 들어 애플리케이션은 모델이 검색된 증거를 점검하고, 허용된 계산기를 사용한 뒤, 계산을 설명하는 보고서를 작성하도록 할 수 있습니다. 검색과 실행은 연결된 도구가 담당합니다. 모델의 도구 호출 기능 자체가 인터넷, 코드 환경, 업무 시스템에 대한 접근 권한을 확립하지는 않습니다.
초장문 텍스트 처리
Qwen은 Dual Chunk Attention과 MInference 희소 어텐션을 결합해 약 100만 토큰에 도달하는 선택적 워크플로를 문서화합니다. 첫 번째 기법은 긴 시퀀스를 청크로 나누면서 청크 간 상호작용을 유지하며, 두 번째 기법은 선택한 어텐션 관계에 연산을 집중합니다. 이는 기본 262,144토큰 컨텍스트를 넘어서는 추가 구성 경로입니다. 제작사의 레시피에는 특수한 장문 컨텍스트 설정이 필요하며, 가중치, 캐시된 어텐션 상태, 최대 활성값을 위한 총 GPU 메모리를 약 240 GB로 추정합니다.
이 레시피에는 구체적인 자원 한계가 있습니다. 캐시된 시퀀스 상태, 활성값 메모리, 전체 입력 길이가 각각 설정된 용량을 소진할 수 있습니다. 따라서 100만 토큰 워크플로는 구성, 메모리, 지원되는 어텐션 구현에 달려 있습니다. 실무 문서 검토에서는 최대 입력을 명확한 질문의 대체물로 삼기보다 관련 자료부터 시작하고, 문서 경계를 표시하며, 추적 가능한 증거를 요청하세요.
생성 지침과 한도
Qwen은 temperature 0.6, top_p 0.95, top_k 20, min_p 0을 권장합니다. 대부분의 질의에는 32,768토큰의 출력 예산을, 유난히 어려운 수학 또는 프로그래밍 문제에는 81,920토큰을 제안합니다. 이는 생성 예산 권장사항이며 별도로 공개된 엄격한 출력 상한이 아닙니다. 0에서 2 사이의 presence penalty는 반복을 줄일 수 있지만, 값이 높으면 언어가 섞이거나 품질이 다소 낮아질 수 있습니다.
프롬프트에 구분자로 표시한 수학 결과나 객관식 문제의 답변 필드처럼 최종 답변 형식을 지정하세요. 제작사의 권고대로 대화 기록에는 최종 답변 부분만 유지하세요. 긴 추론은 확인 가능한 결과로 이어질 때 유용합니다. 결과에 의존하기 전에 가정, 계산, 제안 코드를 점검하세요.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 qwen3-30b-a3b-thinking-2507 | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 user, assistant | 기본값— |
필드messages[].content | 유형string | 요건필수 | 값과 한도 | 기본값— |
필드max_tokens | 유형integer | 요건필수 | 값과 한도 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
텍스트 · UTF-8 텍스트
messages[].content 문자열
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세model, messages, max_tokens |
매개변수optional_controls | 명세stream |
매개변수material_types | 명세text |
매개변수text_file_material | 명세실제 UTF-8 문서를 읽고 그 텍스트를 지정된 입력 또는 메시지 콘텐츠 문자열에 넣으세요. |
수명 주기: synchronous_or_streamed
요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.
| 설정 | 요금표 | 요금 |
|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 요금 입력 · 입력 토큰 $0.0002 / 1K 토큰 출력 · 출력 토큰 $0.0008 / 1K 토큰 입력 · 캐시 읽기 $0 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "qwen3-30b-a3b-thinking-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'qwen3-30b-a3b-thinking-2507', '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': 'qwen3-30b-a3b-thinking-2507', '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 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
모든 콘텐츠 블록, 사고 서명, 실제 도구 사용 ID를 보존하세요. 모든 SSE 블록 증분을 조합하세요. 첫 텍스트 블록이 전체 출력은 아닙니다.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드id | 유형string |
필드model | 유형string |
필드content[] | 유형text|thinking|tool_use|other content block |
필드stop_reason | 유형string|null |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
영어 기술 예제
Solve a constrained staffing assignment\n\nAssign three reviewers, Ada, Ben and Cy, to morning, afternoon and evening shifts, one each. Ada cannot work evening. Ben must work later than Ada. Cy cannot work morning. List every valid assignment and explain how each constraint eliminates alternatives. Finish with whether the assignment is unique; do not assume additional availability.An enumeration of all valid assignments, a constraint check and a separate uniqueness conclusion.Every assignment uses all three shifts once and satisfies Ben later than Ada without adding availability rules.