Qwen3-Next의 특징: 복잡한 텍스트 추론
Qwen3-Next-80B-A3B-Thinking은 Qwen3-Next의 사고 모드 전용 텍스트 에디션입니다. 제작사는 매우 복잡한 추론 작업에 이 모델을 권장하며, 이전 모델보다 사고 과정이 길어질 수 있다고 설명합니다. 텍스트를 입력받아 설명을 곁들인 답변이나 코드 제안을 포함한 텍스트를 반환합니다. 비사고 응답 규약이 다른 Qwen3-Next-80B-A3B-Instruct 및 Qwen3-Coder-Next와 구분하세요.
이 제품군은 Gated DeltaNet과 게이트 어텐션을 결합한 하이브리드 어텐션, 높은 희소성의 전문가, 영 중심 및 가중치 감쇠 계층 정규화와 같은 안정화 기법, 다중 토큰 예측을 도입합니다. Qwen은 GSPO를 통한 강화 학습 안정화도 설명합니다. 이는 학습 및 아키텍처 기능이며, 효율 향상은 구현에 따라 달라지므로 보편적인 응답 시간 주장으로 바뀌어서는 안 됩니다.
모델 개요
모델의 전체 매개변수 수는 80B이며, 삼십억 개를 활성화합니다. DeltaNet 세 개와 게이트 어텐션 하나로 이루어진 전문가 패턴에 따라 48개 계층을 구성합니다. 제작사는 전문가 512개, 활성 전문가 열 개, 공유 전문가 한 개를 명시하며, 15조 토큰으로 사전 학습한 뒤 사후 학습을 수행합니다. 활성 매개변수 수가 전체 체크포인트 크기는 아닙니다.
기본 컨텍스트는 262,144토큰이며, 문서화된 확장 크기는 1,010,000입니다. 원본 텍스트, 이전 메시지, 도구 관찰 결과, 추론, 최종 출력은 설정된 시퀀스 예산을 공유합니다. 복잡한 사고 작업에서는 작은 창으로 메모리 부담을 줄일 수 있더라도, 가능한 경우 컨텍스트를 131,072보다 크게 설정하도록 제작사가 권고합니다.
사고 모드 전용 인터페이스 사용
기본 채팅 템플릿에는 이미 사고 시작 마커가 포함되어 있습니다. 따라서 반환되는 시퀀스에는 시작 마커를 반복하지 않고 종료 마커만 포함될 수 있습니다. 이는 제작사 레시피의 정상적인 서식이며, 추론이 누락되었다는 증거는 아닙니다. 모델은 사고 모드만 지원하며, 간결한 최종 답변을 요청해도 비사고 에디션으로 바뀌지 않습니다.
수학이나 논리 문제에서는 문제 전체, 정의, 단위, 허용된 가정을 제공하세요. 확인에 필요한 풀이 단계와 함께 명확히 구분된 최종 답변을 요청하세요. 코드 추론에서는 관련 함수, 입력, 의도한 동작을 제공한 뒤 설명을 곁들인 제안을 요청하세요. 근거가 되는 계산이나 제안된 패치를 제공한 조건 및 실제 결과와 대조하세요.
구현과 도구
제작사의 예제는 개발 및 도구 작업 흐름을 지원하며, 설정된 도구나 MCP 연결 도구와 함께 도구 템플릿 및 파싱에 Qwen-Agent를 사용하도록 권장합니다. 허용된 도구, 작업 목표, 관찰 가능한 완료 조건을 정의하세요. 애플리케이션이 외부 동작을 실행하고 실제 관찰 결과를 반환하면, 모델은 다음 답변에서 해당 피드백을 사용할 수 있습니다.
다중 토큰 예측은 학습의 일부이지만, 추론에서의 사용 여부는 구현에 따라 달라지며 모든 경량 작업 흐름에서 일반적으로 제공되지는 않습니다. 배포를 평가할 때 이 차이를 유지하세요. 도구나 아키텍처 기능만으로 다른 애플리케이션을 통한 파일, 최신 자료, 실행 환경 접근이 입증되는 것은 아닙니다.
초장문 텍스트
문서화된 확장은 YaRN을 사용합니다. 제작사는 약 백만 토큰의 컨텍스트를 검증하고, 기본 위치 수 262,144를 바탕으로 네 배 확장 레시피를 제공합니다. 524,288토큰 작업에는 두 배를 권장합니다. 정적 스케일링은 짧은 텍스트의 성능에 영향을 줄 수 있으므로, 더 긴 입력이 실제로 필요한 경우에 맞춰 적용해야 합니다.
큰 입력을 문서 경계 및 코드나 섹션 식별자로 구성하세요. 전체 창을 명확한 작업의 대체물로 취급하는 대신 모델이 관련 근거를 연결할 수 있도록 질문과 기대하는 산출물을 명시하세요. 길어질 수 있는 추론과 최종 결과를 위한 공간을 확보하세요.
생성 지침
Best Practices는 temperature 0.6, top_p 0.95, top_k 20, min_p 0을 권장합니다. 지원되는 경우 영에서 이 사이의 존재 페널티는 반복 텍스트를 줄일 수 있지만, 값이 높으면 언어가 섞이거나 품질이 조금 낮아질 수 있습니다. Qwen은 대부분의 질문에 생성 예산 32,768토큰을 권장하고, 특히 복잡한 수학이나 프로그래밍 작업에는 81,920을 권장합니다. 이는 권고 사항이며, 독립적인 엄격한 최대 출력 길이는 아닙니다.
범위를 구분한 수학 결과나 답변 필드 등 최종 답변 형식을 명시적으로 지정하세요. 제작사는 이 체크포인트의 템플릿에 따라 이전 어시스턴트 메시지에는 사고 내용을 제외한 최종 출력을 유지하도록 권장합니다. 이후 모델의 과거 추론 보존 옵션을 자동으로 가져와 적용해서는 안 됩니다.
실질적인 제한
이 모델은 텍스트 전용입니다. 이미지, 오디오, 동영상이 이 작업 흐름에서 근거로 사용되려면 사전에 적절한 별도 표현으로 변환되어야 합니다. 긴 사고와 컨텍스트는 유한한 자원이며, 상세한 추론만으로 올바른 결과가 입증되지는 않습니다. 가정, 계산, 생성된 코드를 제공된 원본과 대조하세요. 유용한 결과는 근거가 드러나 있고 사고 모드 전용 모델의 정체성이 유지되는, 검토 가능한 답변이나 산출물입니다.
", "aboutText": "Qwen3-Next의 특징: 복잡한 텍스트 추론\n\nQwen3-Next-80B-A3B-Thinking은 Qwen3-Next의 사고 모드 전용 텍스트 에디션입니다. 제작사는 매우 복잡한 추론 작업에 이 모델을 권장하며, 이전 모델보다 사고 과정이 길어질 수 있다고 설명합니다. 텍스트를 입력받아 설명을 곁들인 답변이나 코드 제안을 포함한 텍스트를 반환합니다. 비사고 응답 규약이 다른 Qwen3-Next-80B-A3B-Instruct 및 Qwen3-Coder-Next와 구분하세요.\n\n이 제품군은 Gated DeltaNet과 게이트 어텐션을 결합한 하이브리드 어텐션, 높은 희소성의 전문가, 영 중심 및 가중치 감쇠 계층 정규화와 같은 안정화 기법, 다중 토큰 예측을 도입합니다. Qwen은 GSPO를 통한 강화 학습 안정화도 설명합니다. 이는 학습 및 아키텍처 기능이며, 효율 향상은 구현에 따라 달라지므로 보편적인 응답 시간 주장으로 바뀌어서는 안 됩니다.\n\n모델 개요\n\n모델의 전체 매개변수 수는 80B이며, 삼십억 개를 활성화합니다. DeltaNet 세 개와 게이트 어텐션 하나로 이루어진 전문가 패턴에 따라 48개 계층을 구성합니다. 제작사는 전문가 512개, 활성 전문가 열 개, 공유 전문가 한 개를 명시하며, 15조 토큰으로 사전 학습한 뒤 사후 학습을 수행합니다. 활성 매개변수 수가 전체 체크포인트 크기는 아닙니다.\n\n기본 컨텍스트는 262,144토큰이며, 문서화된 확장 크기는 1,010,000입니다. 원본 텍스트, 이전 메시지, 도구 관찰 결과, 추론, 최종 출력은 설정된 시퀀스 예산을 공유합니다. 복잡한 사고 작업에서는 작은 창으로 메모리 부담을 줄일 수 있더라도, 가능한 경우 컨텍스트를 131,072보다 크게 설정하도록 제작사가 권고합니다.\n\n사고 모드 전용 인터페이스 사용\n\n기본 채팅 템플릿에는 이미 사고 시작 마커가 포함되어 있습니다. 따라서 반환되는 시퀀스에는 시작 마커를 반복하지 않고 종료 마커만 포함될 수 있습니다. 이는 제작사 레시피의 정상적인 서식이며, 추론이 누락되었다는 증거는 아닙니다. 모델은 사고 모드만 지원하며, 간결한 최종 답변을 요청해도 비사고 에디션으로 바뀌지 않습니다.\n\n수학이나 논리 문제에서는 문제 전체, 정의, 단위, 허용된 가정을 제공하세요. 확인에 필요한 풀이 단계와 함께 명확히 구분된 최종 답변을 요청하세요. 코드 추론에서는 관련 함수, 입력, 의도한 동작을 제공한 뒤 설명을 곁들인 제안을 요청하세요. 근거가 되는 계산이나 제안된 패치를 제공한 조건 및 실제 결과와 대조하세요.\n\n구현과 도구\n\n제작사의 예제는 개발 및 도구 작업 흐름을 지원하며, 설정된 도구나 MCP 연결 도구와 함께 도구 템플릿 및 파싱에 Qwen-Agent를 사용하도록 권장합니다. 허용된 도구, 작업 목표, 관찰 가능한 완료 조건을 정의하세요. 애플리케이션이 외부 동작을 실행하고 실제 관찰 결과를 반환하면, 모델은 다음 답변에서 해당 피드백을 사용할 수 있습니다.\n\n다중 토큰 예측은 학습의 일부이지만, 추론에서의 사용 여부는 구현에 따라 달라지며 모든 경량 작업 흐름에서 일반적으로 제공되지는 않습니다. 배포를 평가할 때 이 차이를 유지하세요. 도구나 아키텍처 기능만으로 다른 애플리케이션을 통한 파일, 최신 자료, 실행 환경 접근이 입증되는 것은 아닙니다.\n\n초장문 텍스트\n\n문서화된 확장은 YaRN을 사용합니다. 제작사는 약 백만 토큰의 컨텍스트를 검증하고, 기본 위치 수 262,144를 바탕으로 네 배 확장 레시피를 제공합니다. 524,288토큰 작업에는 두 배를 권장합니다. 정적 스케일링은 짧은 텍스트의 성능에 영향을 줄 수 있으므로, 더 긴 입력이 실제로 필요한 경우에 맞춰 적용해야 합니다.\n\n큰 입력을 문서 경계 및 코드나 섹션 식별자로 구성하세요. 전체 창을 명확한 작업의 대체물로 취급하는 대신 모델이 관련 근거를 연결할 수 있도록 질문과 기대하는 산출물을 명시하세요. 길어질 수 있는 추론과 최종 결과를 위한 공간을 확보하세요.\n\n생성 지침\n\nBest Practices는 temperature 0.6, top_p 0.95, top_k 20, min_p 0을 권장합니다. 지원되는 경우 영에서 이 사이의 존재 페널티는 반복 텍스트를 줄일 수 있지만, 값이 높으면 언어가 섞이거나 품질이 조금 낮아질 수 있습니다. Qwen은 대부분의 질문에 생성 예산 32,768토큰을 권장하고, 특히 복잡한 수학이나 프로그래밍 작업에는 81,920을 권장합니다. 이는 권고 사항이며, 독립적인 엄격한 최대 출력 길이는 아닙니다.\n\n범위를 구분한 수학 결과나 답변 필드 등 최종 답변 형식을 명시적으로 지정하세요. 제작사는 이 체크포인트의 템플릿에 따라 이전 어시스턴트 메시지에는 사고 내용을 제외한 최종 출력을 유지하도록 권장합니다. 이후 모델의 과거 추론 보존 옵션을 자동으로 가져와 적용해서는 안 됩니다.\n\n실질적인 제한\n\n이 모델은 텍스트 전용입니다. 이미지, 오디오, 동영상이 이 작업 흐름에서 근거로 사용되려면 사전에 적절한 별도 표현으로 변환되어야 합니다. 긴 사고와 컨텍스트는 유한한 자원이며, 상세한 추론만으로 올바른 결과가 입증되지는 않습니다. 가정, 계산, 생성된 코드를 제공된 원본과 대조하세요. 유용한 결과는 근거가 드러나 있고 사고 모드 전용 모델의 정체성이 유지되는, 검토 가능한 답변이나 산출물입니다.", "editorialOverlay": { "copy_fields": { "practical_html": "영어 기술 예제
Identify what a logic puzzle actually determines\n\nExactly one of A, B and C took a key, and exactly one statement is true. A says, 'B took it.' B says, 'C took it.' C says, 'I did not take it.' Determine every possible culprit consistent with these premises. Show a truth table and state whether the culprit is uniquely determined.A three-case truth table and the complete set of consistent culprits with a uniqueness conclusion.The table checks exactly one true statement in each candidate case and preserves multiple solutions if the premises allow them.qwen/qwen3-next-80b-a3b-thinkingQwen3-Next-80B-A3B-Thinking은 전체 매개변수 80B와 활성 매개변수 3B를 갖춘 Qwen의 텍스트 추론 모델입니다. 복잡한 작업에 사고 모드만 사용하며, 하이브리드 어텐션과 희소 전문가를 활용합니다. 기본 컨텍스트는 262,144토큰이고, 조건에 따라 1,010,000까지 확장할 수 있습니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Qwen3-Next의 특징: 복잡한 텍스트 추론
Qwen3-Next-80B-A3B-Thinking은 Qwen3-Next의 사고 모드 전용 텍스트 에디션입니다. 제작사는 매우 복잡한 추론 작업에 이 모델을 권장하며, 이전 모델보다 사고 과정이 길어질 수 있다고 설명합니다. 텍스트를 입력받아 설명을 곁들인 답변이나 코드 제안을 포함한 텍스트를 반환합니다. 비사고 응답 규약이 다른 Qwen3-Next-80B-A3B-Instruct 및 Qwen3-Coder-Next와 구분하세요.
이 제품군은 Gated DeltaNet과 게이트 어텐션을 결합한 하이브리드 어텐션, 높은 희소성의 전문가, 영 중심 및 가중치 감쇠 계층 정규화와 같은 안정화 기법, 다중 토큰 예측을 도입합니다. Qwen은 GSPO를 통한 강화 학습 안정화도 설명합니다. 이는 학습 및 아키텍처 기능이며, 효율 향상은 구현에 따라 달라지므로 보편적인 응답 시간 주장으로 바뀌어서는 안 됩니다.
모델 개요
모델의 전체 매개변수 수는 80B이며, 삼십억 개를 활성화합니다. DeltaNet 세 개와 게이트 어텐션 하나로 이루어진 전문가 패턴에 따라 48개 계층을 구성합니다. 제작사는 전문가 512개, 활성 전문가 열 개, 공유 전문가 한 개를 명시하며, 15조 토큰으로 사전 학습한 뒤 사후 학습을 수행합니다. 활성 매개변수 수가 전체 체크포인트 크기는 아닙니다.
기본 컨텍스트는 262,144토큰이며, 문서화된 확장 크기는 1,010,000입니다. 원본 텍스트, 이전 메시지, 도구 관찰 결과, 추론, 최종 출력은 설정된 시퀀스 예산을 공유합니다. 복잡한 사고 작업에서는 작은 창으로 메모리 부담을 줄일 수 있더라도, 가능한 경우 컨텍스트를 131,072보다 크게 설정하도록 제작사가 권고합니다.
사고 모드 전용 인터페이스 사용
기본 채팅 템플릿에는 이미 사고 시작 마커가 포함되어 있습니다. 따라서 반환되는 시퀀스에는 시작 마커를 반복하지 않고 종료 마커만 포함될 수 있습니다. 이는 제작사 레시피의 정상적인 서식이며, 추론이 누락되었다는 증거는 아닙니다. 모델은 사고 모드만 지원하며, 간결한 최종 답변을 요청해도 비사고 에디션으로 바뀌지 않습니다.
수학이나 논리 문제에서는 문제 전체, 정의, 단위, 허용된 가정을 제공하세요. 확인에 필요한 풀이 단계와 함께 명확히 구분된 최종 답변을 요청하세요. 코드 추론에서는 관련 함수, 입력, 의도한 동작을 제공한 뒤 설명을 곁들인 제안을 요청하세요. 근거가 되는 계산이나 제안된 패치를 제공한 조건 및 실제 결과와 대조하세요.
구현과 도구
제작사의 예제는 개발 및 도구 작업 흐름을 지원하며, 설정된 도구나 MCP 연결 도구와 함께 도구 템플릿 및 파싱에 Qwen-Agent를 사용하도록 권장합니다. 허용된 도구, 작업 목표, 관찰 가능한 완료 조건을 정의하세요. 애플리케이션이 외부 동작을 실행하고 실제 관찰 결과를 반환하면, 모델은 다음 답변에서 해당 피드백을 사용할 수 있습니다.
다중 토큰 예측은 학습의 일부이지만, 추론에서의 사용 여부는 구현에 따라 달라지며 모든 경량 작업 흐름에서 일반적으로 제공되지는 않습니다. 배포를 평가할 때 이 차이를 유지하세요. 도구나 아키텍처 기능만으로 다른 애플리케이션을 통한 파일, 최신 자료, 실행 환경 접근이 입증되는 것은 아닙니다.
초장문 텍스트
문서화된 확장은 YaRN을 사용합니다. 제작사는 약 백만 토큰의 컨텍스트를 검증하고, 기본 위치 수 262,144를 바탕으로 네 배 확장 레시피를 제공합니다. 524,288토큰 작업에는 두 배를 권장합니다. 정적 스케일링은 짧은 텍스트의 성능에 영향을 줄 수 있으므로, 더 긴 입력이 실제로 필요한 경우에 맞춰 적용해야 합니다.
큰 입력을 문서 경계 및 코드나 섹션 식별자로 구성하세요. 전체 창을 명확한 작업의 대체물로 취급하는 대신 모델이 관련 근거를 연결할 수 있도록 질문과 기대하는 산출물을 명시하세요. 길어질 수 있는 추론과 최종 결과를 위한 공간을 확보하세요.
생성 지침
Best Practices는 temperature 0.6, top_p 0.95, top_k 20, min_p 0을 권장합니다. 지원되는 경우 영에서 이 사이의 존재 페널티는 반복 텍스트를 줄일 수 있지만, 값이 높으면 언어가 섞이거나 품질이 조금 낮아질 수 있습니다. Qwen은 대부분의 질문에 생성 예산 32,768토큰을 권장하고, 특히 복잡한 수학이나 프로그래밍 작업에는 81,920을 권장합니다. 이는 권고 사항이며, 독립적인 엄격한 최대 출력 길이는 아닙니다.
범위를 구분한 수학 결과나 답변 필드 등 최종 답변 형식을 명시적으로 지정하세요. 제작사는 이 체크포인트의 템플릿에 따라 이전 어시스턴트 메시지에는 사고 내용을 제외한 최종 출력을 유지하도록 권장합니다. 이후 모델의 과거 추론 보존 옵션을 자동으로 가져와 적용해서는 안 됩니다.
실질적인 제한
이 모델은 텍스트 전용입니다. 이미지, 오디오, 동영상이 이 작업 흐름에서 근거로 사용되려면 사전에 적절한 별도 표현으로 변환되어야 합니다. 긴 사고와 컨텍스트는 유한한 자원이며, 상세한 추론만으로 올바른 결과가 입증되지는 않습니다. 가정, 계산, 생성된 코드를 제공된 원본과 대조하세요. 유용한 결과는 근거가 드러나 있고 사고 모드 전용 모델의 정체성이 유지되는, 검토 가능한 답변이나 산출물입니다.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 qwen/qwen3-next-80b-a3b-thinking | 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.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0003 / 1K 토큰 출력 · 출력 토큰 $0.0024 / 1K 토큰 입력 · 캐시 읽기 — / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0003 / 1K 토큰 출력 · 출력 토큰 $0.0024 / 1K 토큰 입력 · 캐시 읽기 — / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-next-80b-a3b-thinking", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3-next-80b-a3b-thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3-next-80b-a3b-thinking',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-next-80b-a3b-thinking
위에 표시된 메서드 경로를 사용하세요.
qwen/qwen3-next-80b-a3b-thinkingQwen3-Next-80B-A3B-Thinking은 전체 매개변수 80B와 활성 매개변수 3B를 갖춘 Qwen의 텍스트 추론 모델입니다. 복잡한 작업에 사고 모드만 사용하며, 하이브리드 어텐션과 희소 전문가를 활용합니다. 기본 컨텍스트는 262,144토큰이고, 조건에 따라 1,010,000까지 확장할 수 있습니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Qwen3-Next의 특징: 복잡한 텍스트 추론
Qwen3-Next-80B-A3B-Thinking은 Qwen3-Next의 사고 모드 전용 텍스트 에디션입니다. 제작사는 매우 복잡한 추론 작업에 이 모델을 권장하며, 이전 모델보다 사고 과정이 길어질 수 있다고 설명합니다. 텍스트를 입력받아 설명을 곁들인 답변이나 코드 제안을 포함한 텍스트를 반환합니다. 비사고 응답 규약이 다른 Qwen3-Next-80B-A3B-Instruct 및 Qwen3-Coder-Next와 구분하세요.
이 제품군은 Gated DeltaNet과 게이트 어텐션을 결합한 하이브리드 어텐션, 높은 희소성의 전문가, 영 중심 및 가중치 감쇠 계층 정규화와 같은 안정화 기법, 다중 토큰 예측을 도입합니다. Qwen은 GSPO를 통한 강화 학습 안정화도 설명합니다. 이는 학습 및 아키텍처 기능이며, 효율 향상은 구현에 따라 달라지므로 보편적인 응답 시간 주장으로 바뀌어서는 안 됩니다.
모델 개요
모델의 전체 매개변수 수는 80B이며, 삼십억 개를 활성화합니다. DeltaNet 세 개와 게이트 어텐션 하나로 이루어진 전문가 패턴에 따라 48개 계층을 구성합니다. 제작사는 전문가 512개, 활성 전문가 열 개, 공유 전문가 한 개를 명시하며, 15조 토큰으로 사전 학습한 뒤 사후 학습을 수행합니다. 활성 매개변수 수가 전체 체크포인트 크기는 아닙니다.
기본 컨텍스트는 262,144토큰이며, 문서화된 확장 크기는 1,010,000입니다. 원본 텍스트, 이전 메시지, 도구 관찰 결과, 추론, 최종 출력은 설정된 시퀀스 예산을 공유합니다. 복잡한 사고 작업에서는 작은 창으로 메모리 부담을 줄일 수 있더라도, 가능한 경우 컨텍스트를 131,072보다 크게 설정하도록 제작사가 권고합니다.
사고 모드 전용 인터페이스 사용
기본 채팅 템플릿에는 이미 사고 시작 마커가 포함되어 있습니다. 따라서 반환되는 시퀀스에는 시작 마커를 반복하지 않고 종료 마커만 포함될 수 있습니다. 이는 제작사 레시피의 정상적인 서식이며, 추론이 누락되었다는 증거는 아닙니다. 모델은 사고 모드만 지원하며, 간결한 최종 답변을 요청해도 비사고 에디션으로 바뀌지 않습니다.
수학이나 논리 문제에서는 문제 전체, 정의, 단위, 허용된 가정을 제공하세요. 확인에 필요한 풀이 단계와 함께 명확히 구분된 최종 답변을 요청하세요. 코드 추론에서는 관련 함수, 입력, 의도한 동작을 제공한 뒤 설명을 곁들인 제안을 요청하세요. 근거가 되는 계산이나 제안된 패치를 제공한 조건 및 실제 결과와 대조하세요.
구현과 도구
제작사의 예제는 개발 및 도구 작업 흐름을 지원하며, 설정된 도구나 MCP 연결 도구와 함께 도구 템플릿 및 파싱에 Qwen-Agent를 사용하도록 권장합니다. 허용된 도구, 작업 목표, 관찰 가능한 완료 조건을 정의하세요. 애플리케이션이 외부 동작을 실행하고 실제 관찰 결과를 반환하면, 모델은 다음 답변에서 해당 피드백을 사용할 수 있습니다.
다중 토큰 예측은 학습의 일부이지만, 추론에서의 사용 여부는 구현에 따라 달라지며 모든 경량 작업 흐름에서 일반적으로 제공되지는 않습니다. 배포를 평가할 때 이 차이를 유지하세요. 도구나 아키텍처 기능만으로 다른 애플리케이션을 통한 파일, 최신 자료, 실행 환경 접근이 입증되는 것은 아닙니다.
초장문 텍스트
문서화된 확장은 YaRN을 사용합니다. 제작사는 약 백만 토큰의 컨텍스트를 검증하고, 기본 위치 수 262,144를 바탕으로 네 배 확장 레시피를 제공합니다. 524,288토큰 작업에는 두 배를 권장합니다. 정적 스케일링은 짧은 텍스트의 성능에 영향을 줄 수 있으므로, 더 긴 입력이 실제로 필요한 경우에 맞춰 적용해야 합니다.
큰 입력을 문서 경계 및 코드나 섹션 식별자로 구성하세요. 전체 창을 명확한 작업의 대체물로 취급하는 대신 모델이 관련 근거를 연결할 수 있도록 질문과 기대하는 산출물을 명시하세요. 길어질 수 있는 추론과 최종 결과를 위한 공간을 확보하세요.
생성 지침
Best Practices는 temperature 0.6, top_p 0.95, top_k 20, min_p 0을 권장합니다. 지원되는 경우 영에서 이 사이의 존재 페널티는 반복 텍스트를 줄일 수 있지만, 값이 높으면 언어가 섞이거나 품질이 조금 낮아질 수 있습니다. Qwen은 대부분의 질문에 생성 예산 32,768토큰을 권장하고, 특히 복잡한 수학이나 프로그래밍 작업에는 81,920을 권장합니다. 이는 권고 사항이며, 독립적인 엄격한 최대 출력 길이는 아닙니다.
범위를 구분한 수학 결과나 답변 필드 등 최종 답변 형식을 명시적으로 지정하세요. 제작사는 이 체크포인트의 템플릿에 따라 이전 어시스턴트 메시지에는 사고 내용을 제외한 최종 출력을 유지하도록 권장합니다. 이후 모델의 과거 추론 보존 옵션을 자동으로 가져와 적용해서는 안 됩니다.
실질적인 제한
이 모델은 텍스트 전용입니다. 이미지, 오디오, 동영상이 이 작업 흐름에서 근거로 사용되려면 사전에 적절한 별도 표현으로 변환되어야 합니다. 긴 사고와 컨텍스트는 유한한 자원이며, 상세한 추론만으로 올바른 결과가 입증되지는 않습니다. 가정, 계산, 생성된 코드를 제공된 원본과 대조하세요. 유용한 결과는 근거가 드러나 있고 사고 모드 전용 모델의 정체성이 유지되는, 검토 가능한 답변이나 산출물입니다.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 qwen/qwen3-next-80b-a3b-thinking | 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.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0003 / 1K 토큰 출력 · 출력 토큰 $0.0024 / 1K 토큰 입력 · 캐시 읽기 — / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0003 / 1K 토큰 출력 · 출력 토큰 $0.0024 / 1K 토큰 입력 · 캐시 읽기 — / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "qwen/qwen3-next-80b-a3b-thinking",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-next-80b-a3b-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-next-80b-a3b-thinking', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-next-80b-a3b-thinking
위에 표시된 메서드 경로를 사용하세요.
영어 기술 예제
Identify what a logic puzzle actually determines\n\nExactly one of A, B and C took a key, and exactly one statement is true. A says, 'B took it.' B says, 'C took it.' C says, 'I did not take it.' Determine every possible culprit consistent with these premises. Show a truth table and state whether the culprit is uniquely determined.A three-case truth table and the complete set of consistent culprits with a uniqueness conclusion.The table checks exactly one true statement in each candidate case and preserves multiple solutions if the premises allow them.