Qwen3-14B ialah model bahasa padat dalam keluaran Qwen3 asal, menggabungkan tingkah laku pemikiran dan tanpa pemikiran dalam satu model. Qwen memposisikan keluarga untuk penaakulan logik, matematik, pengekodan, penulisan kreatif, dialog berasaskan peranan dan pematuhan arahan. Model menerima teks dan mengembalikan teks, dengan keupayaan arahan berbilang bahasa serta terjemahan merentas 119 bahasa dan dialek keluarga. Taklimat perbualan yang berguna menentukan bahasa, tahap pengetahuan pembaca dan hasil yang tepat: penerangan, penulisan semula, masalah dengan jalan kerja atau cadangan perubahan kod.
Model yang dilatih untuk arahan mengandungi sejumlah 14.8 bilion parameter dalam 40 lapisan. Ini ialah edisi padat 14B, bukannya model campuran pakar atau model lebih baharu dengan nama keluarga serupa. Konteks asalnya ialah 32,768 token. Untuk tugas dokumen, sertakan petikan berkaitan dan tajuknya, kemudian minta perbandingan atau penerangan khusus yang diperlukan. Sebagai contoh, taklimat boleh memberikan dua versi proses dan meminta jadual syarat yang berubah, diikuti prosedur disemak yang mengekalkan pengecualian yang dinyatakan. Minta prosedur disemak mengekalkan tajuk sumber dan mengenal pasti syarat yang berubah.
Pemikiran diaktifkan secara lalai dalam templat sembang pengeluar. Tetapan keras enable_thinking=False melumpuhkan bahagian penaakulan sepenuhnya. Jika pemikiran kekal aktif, /think atau /no_think dalam prom atau arahan sistem boleh menukar mod yang diminta pada setiap giliran; arahan terkini terpakai. Templat aktif masih boleh mengembalikan blok <think> kosong bagi permintaan lembut tanpa pemikiran. Tetapan yang dilumpuhkan secara keras tidak boleh diterbalikkan dengan menambah /think dalam teks. Pilih mod yang sepadan dengan masalah: penulisan semula langsung boleh menggunakan gaya respons berbeza daripada penerangan matematik berbilang langkah.
Contoh penjanaan rasmi memisahkan kandungan pemikiran daripada jawapan akhir. Untuk menjadikan jawapan akhir berguna, berikan premis atau bahan sumber dan tentukan strukturnya sebelum penjanaan. Qwen mengesyorkan hasil akhir dalam kotak untuk matematik dan medan jawapan jelas untuk soalan pelbagai pilihan. Taklimat pengajaran juga boleh meminta hasil, penerangan penting dan satu contoh dengan jalan kerja. Untuk perbualan berbilang giliran, pengeluar mengesyorkan mengekalkan jawapan akhir dalam sejarah sambil tidak menyertakan kandungan pemikiran sebelumnya, supaya soalan kemudian dibina atas hasil yang disampaikan.
Qwen menerangkan keupayaan ejen dan panggilan alat dalam mod pemikiran serta tanpa pemikiran. Integrasi Qwen-Agent yang disyorkan menyediakan templat dan penghurai untuk alat yang ditentukan, termasuk perolehan maklumat serta pentafsir kod dalam contoh. Aplikasi boleh memberikan model alat bernama, argumen yang diterima dan syarat berhenti. Untuk penyiasatan kod, sediakan petikan sumber dan butiran kegagalan, minta model mengenal pasti semakan yang diperlukan, kemudian kembalikan hasil alat sebenar untuk pentafsiran. Respons akhir boleh berupa diagnosis, cadangan perubahan dan soalan yang masih tinggal, dikaitkan dengan bukti yang dibekalkan.
Pengeluar mengesahkan peluasan konteks kepada 131,072 token dengan YaRN, berasingan daripada tetingkap asal. Ia memberi amaran bahawa penskalaan statik boleh mempengaruhi tingkah laku input pendek dan mengesyorkan konfigurasi apabila konteks lebih panjang diperlukan. Kad turut menerangkan peruntukan lalai 40,960 kedudukan untuk panjang prom dan output biasa. Susun input panjang kepada bahagian bernama dan sediakan ruang untuk penaakulan serta hasil akhir, bukannya memenuhi setiap kedudukan dengan bahan latar. Tetapan lanjutan bergantung pada konfigurasi yang ditetapkan.
Qwen mengesyorkan temperature 0.6 dan top-p 0.95 untuk pemikiran, serta 0.7 dan 0.8 untuk tanpa pemikiran, dengan top-k 20 dan min-p 0 dalam kedua-dua kes. Ia memberi amaran terhadap penyahkodan tamak dalam mod pemikiran kerana kemungkinan kemerosotan dan pengulangan. Peruntukan output yang disyorkan ialah 32,768 token untuk kebanyakan pertanyaan, dengan 38,912 diterangkan bagi tugas matematik dan pengaturcaraan yang sangat kompleks. Cadangan ini membimbing penjanaan; ia tidak menentukan had respons tetap yang bebas. Arahan bahasa dan pemformatan jelas amat berguna apabila hasil mesti konsisten sepanjang perbualan berbilang bahasa.
", "aboutText": "Qwen3-14B ialah model bahasa padat dalam keluaran Qwen3 asal, menggabungkan tingkah laku pemikiran dan tanpa pemikiran dalam satu model. Qwen memposisikan keluarga untuk penaakulan logik, matematik, pengekodan, penulisan kreatif, dialog berasaskan peranan dan pematuhan arahan. Model menerima teks dan mengembalikan teks, dengan keupayaan arahan berbilang bahasa serta terjemahan merentas 119 bahasa dan dialek keluarga. Taklimat perbualan yang berguna menentukan bahasa, tahap pengetahuan pembaca dan hasil yang tepat: penerangan, penulisan semula, masalah dengan jalan kerja atau cadangan perubahan kod.\n\nModel yang dilatih untuk arahan mengandungi sejumlah 14.8 bilion parameter dalam 40 lapisan. Ini ialah edisi padat 14B, bukannya model campuran pakar atau model lebih baharu dengan nama keluarga serupa. Konteks asalnya ialah 32,768 token. Untuk tugas dokumen, sertakan petikan berkaitan dan tajuknya, kemudian minta perbandingan atau penerangan khusus yang diperlukan. Sebagai contoh, taklimat boleh memberikan dua versi proses dan meminta jadual syarat yang berubah, diikuti prosedur disemak yang mengekalkan pengecualian yang dinyatakan. Minta prosedur disemak mengekalkan tajuk sumber dan mengenal pasti syarat yang berubah.\n\nPemikiran diaktifkan secara lalai dalam templat sembang pengeluar. Tetapan keras enable_thinking=False melumpuhkan bahagian penaakulan sepenuhnya. Jika pemikiran kekal aktif, /think atau /no_think dalam prom atau arahan sistem boleh menukar mod yang diminta pada setiap giliran; arahan terkini terpakai. Templat aktif masih boleh mengembalikan blokContoh teknikal dalam bahasa Inggeris
Explain a changed approval rule\n\nCompare procedure V1: 'All purchase requests need manager approval.' V2: 'Requests above 100 credits need manager approval; smaller requests go directly to purchasing.' Explain the change to a new coordinator, give examples for 80 and 120 credits and identify the unanswered rule for exactly 100 credits. Keep the two versions distinct.A brief explanation, two worked examples and one boundary clarification.The answer must not invent the exactly-100-credit rule absent from V2.qwen/qwen3-14bQwen3-14B ialah model teks padat Qwen untuk perbualan berbilang bahasa, penulisan, pengekodan dan penaakulan langkah demi langkah. Reka bentuk hibrid asalnya bertukar antara mod pemikiran dan jawapan langsung serta mempunyai konteks asal 32,768 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen3-14B ialah model bahasa padat dalam keluaran Qwen3 asal, menggabungkan tingkah laku pemikiran dan tanpa pemikiran dalam satu model. Qwen memposisikan keluarga untuk penaakulan logik, matematik, pengekodan, penulisan kreatif, dialog berasaskan peranan dan pematuhan arahan. Model menerima teks dan mengembalikan teks, dengan keupayaan arahan berbilang bahasa serta terjemahan merentas 119 bahasa dan dialek keluarga. Taklimat perbualan yang berguna menentukan bahasa, tahap pengetahuan pembaca dan hasil yang tepat: penerangan, penulisan semula, masalah dengan jalan kerja atau cadangan perubahan kod.
Model yang dilatih untuk arahan mengandungi sejumlah 14.8 bilion parameter dalam 40 lapisan. Ini ialah edisi padat 14B, bukannya model campuran pakar atau model lebih baharu dengan nama keluarga serupa. Konteks asalnya ialah 32,768 token. Untuk tugas dokumen, sertakan petikan berkaitan dan tajuknya, kemudian minta perbandingan atau penerangan khusus yang diperlukan. Sebagai contoh, taklimat boleh memberikan dua versi proses dan meminta jadual syarat yang berubah, diikuti prosedur disemak yang mengekalkan pengecualian yang dinyatakan. Minta prosedur disemak mengekalkan tajuk sumber dan mengenal pasti syarat yang berubah.
Pemikiran diaktifkan secara lalai dalam templat sembang pengeluar. Tetapan keras enable_thinking=False melumpuhkan bahagian penaakulan sepenuhnya. Jika pemikiran kekal aktif, /think atau /no_think dalam prom atau arahan sistem boleh menukar mod yang diminta pada setiap giliran; arahan terkini terpakai. Templat aktif masih boleh mengembalikan blok <think> kosong bagi permintaan lembut tanpa pemikiran. Tetapan yang dilumpuhkan secara keras tidak boleh diterbalikkan dengan menambah /think dalam teks. Pilih mod yang sepadan dengan masalah: penulisan semula langsung boleh menggunakan gaya respons berbeza daripada penerangan matematik berbilang langkah.
Contoh penjanaan rasmi memisahkan kandungan pemikiran daripada jawapan akhir. Untuk menjadikan jawapan akhir berguna, berikan premis atau bahan sumber dan tentukan strukturnya sebelum penjanaan. Qwen mengesyorkan hasil akhir dalam kotak untuk matematik dan medan jawapan jelas untuk soalan pelbagai pilihan. Taklimat pengajaran juga boleh meminta hasil, penerangan penting dan satu contoh dengan jalan kerja. Untuk perbualan berbilang giliran, pengeluar mengesyorkan mengekalkan jawapan akhir dalam sejarah sambil tidak menyertakan kandungan pemikiran sebelumnya, supaya soalan kemudian dibina atas hasil yang disampaikan.
Qwen menerangkan keupayaan ejen dan panggilan alat dalam mod pemikiran serta tanpa pemikiran. Integrasi Qwen-Agent yang disyorkan menyediakan templat dan penghurai untuk alat yang ditentukan, termasuk perolehan maklumat serta pentafsir kod dalam contoh. Aplikasi boleh memberikan model alat bernama, argumen yang diterima dan syarat berhenti. Untuk penyiasatan kod, sediakan petikan sumber dan butiran kegagalan, minta model mengenal pasti semakan yang diperlukan, kemudian kembalikan hasil alat sebenar untuk pentafsiran. Respons akhir boleh berupa diagnosis, cadangan perubahan dan soalan yang masih tinggal, dikaitkan dengan bukti yang dibekalkan.
Pengeluar mengesahkan peluasan konteks kepada 131,072 token dengan YaRN, berasingan daripada tetingkap asal. Ia memberi amaran bahawa penskalaan statik boleh mempengaruhi tingkah laku input pendek dan mengesyorkan konfigurasi apabila konteks lebih panjang diperlukan. Kad turut menerangkan peruntukan lalai 40,960 kedudukan untuk panjang prom dan output biasa. Susun input panjang kepada bahagian bernama dan sediakan ruang untuk penaakulan serta hasil akhir, bukannya memenuhi setiap kedudukan dengan bahan latar. Tetapan lanjutan bergantung pada konfigurasi yang ditetapkan.
Qwen mengesyorkan temperature 0.6 dan top-p 0.95 untuk pemikiran, serta 0.7 dan 0.8 untuk tanpa pemikiran, dengan top-k 20 dan min-p 0 dalam kedua-dua kes. Ia memberi amaran terhadap penyahkodan tamak dalam mod pemikiran kerana kemungkinan kemerosotan dan pengulangan. Peruntukan output yang disyorkan ialah 32,768 token untuk kebanyakan pertanyaan, dengan 38,912 diterangkan bagi tugas matematik dan pengaturcaraan yang sangat kompleks. Cadangan ini membimbing penjanaan; ia tidak menentukan had respons tetap yang bebas. Arahan bahasa dan pemformatan jelas amat berguna apabila hasil mesti konsisten sepanjang perbualan berbilang bahasa.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3-14b | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had function Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmodalities | Jenisstring[] | KeperluanPilihan | Nilai & had text | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak pada laluan teks Ultra ini | Lalai— |
Medancache_control.ttl | Jenisstring | KeperluanPilihan | Nilai & had Syarat: 1h ditolak pada lokasi cache prompt yang digunakan | Lalai— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeza daripada alat yang dihoskan |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0002 / 1K token Output · Token output $0.00058 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0002 / 1K token Output · Token output $0.00058 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-14b", "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/qwen3-14b',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/qwen3-14b',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 atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra qwen/qwen3-14b
Gunakan laluan kaedah yang dipaparkan di atas.
qwen/qwen3-14bQwen3-14B ialah model teks padat Qwen untuk perbualan berbilang bahasa, penulisan, pengekodan dan penaakulan langkah demi langkah. Reka bentuk hibrid asalnya bertukar antara mod pemikiran dan jawapan langsung serta mempunyai konteks asal 32,768 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen3-14B ialah model bahasa padat dalam keluaran Qwen3 asal, menggabungkan tingkah laku pemikiran dan tanpa pemikiran dalam satu model. Qwen memposisikan keluarga untuk penaakulan logik, matematik, pengekodan, penulisan kreatif, dialog berasaskan peranan dan pematuhan arahan. Model menerima teks dan mengembalikan teks, dengan keupayaan arahan berbilang bahasa serta terjemahan merentas 119 bahasa dan dialek keluarga. Taklimat perbualan yang berguna menentukan bahasa, tahap pengetahuan pembaca dan hasil yang tepat: penerangan, penulisan semula, masalah dengan jalan kerja atau cadangan perubahan kod.
Model yang dilatih untuk arahan mengandungi sejumlah 14.8 bilion parameter dalam 40 lapisan. Ini ialah edisi padat 14B, bukannya model campuran pakar atau model lebih baharu dengan nama keluarga serupa. Konteks asalnya ialah 32,768 token. Untuk tugas dokumen, sertakan petikan berkaitan dan tajuknya, kemudian minta perbandingan atau penerangan khusus yang diperlukan. Sebagai contoh, taklimat boleh memberikan dua versi proses dan meminta jadual syarat yang berubah, diikuti prosedur disemak yang mengekalkan pengecualian yang dinyatakan. Minta prosedur disemak mengekalkan tajuk sumber dan mengenal pasti syarat yang berubah.
Pemikiran diaktifkan secara lalai dalam templat sembang pengeluar. Tetapan keras enable_thinking=False melumpuhkan bahagian penaakulan sepenuhnya. Jika pemikiran kekal aktif, /think atau /no_think dalam prom atau arahan sistem boleh menukar mod yang diminta pada setiap giliran; arahan terkini terpakai. Templat aktif masih boleh mengembalikan blok <think> kosong bagi permintaan lembut tanpa pemikiran. Tetapan yang dilumpuhkan secara keras tidak boleh diterbalikkan dengan menambah /think dalam teks. Pilih mod yang sepadan dengan masalah: penulisan semula langsung boleh menggunakan gaya respons berbeza daripada penerangan matematik berbilang langkah.
Contoh penjanaan rasmi memisahkan kandungan pemikiran daripada jawapan akhir. Untuk menjadikan jawapan akhir berguna, berikan premis atau bahan sumber dan tentukan strukturnya sebelum penjanaan. Qwen mengesyorkan hasil akhir dalam kotak untuk matematik dan medan jawapan jelas untuk soalan pelbagai pilihan. Taklimat pengajaran juga boleh meminta hasil, penerangan penting dan satu contoh dengan jalan kerja. Untuk perbualan berbilang giliran, pengeluar mengesyorkan mengekalkan jawapan akhir dalam sejarah sambil tidak menyertakan kandungan pemikiran sebelumnya, supaya soalan kemudian dibina atas hasil yang disampaikan.
Qwen menerangkan keupayaan ejen dan panggilan alat dalam mod pemikiran serta tanpa pemikiran. Integrasi Qwen-Agent yang disyorkan menyediakan templat dan penghurai untuk alat yang ditentukan, termasuk perolehan maklumat serta pentafsir kod dalam contoh. Aplikasi boleh memberikan model alat bernama, argumen yang diterima dan syarat berhenti. Untuk penyiasatan kod, sediakan petikan sumber dan butiran kegagalan, minta model mengenal pasti semakan yang diperlukan, kemudian kembalikan hasil alat sebenar untuk pentafsiran. Respons akhir boleh berupa diagnosis, cadangan perubahan dan soalan yang masih tinggal, dikaitkan dengan bukti yang dibekalkan.
Pengeluar mengesahkan peluasan konteks kepada 131,072 token dengan YaRN, berasingan daripada tetingkap asal. Ia memberi amaran bahawa penskalaan statik boleh mempengaruhi tingkah laku input pendek dan mengesyorkan konfigurasi apabila konteks lebih panjang diperlukan. Kad turut menerangkan peruntukan lalai 40,960 kedudukan untuk panjang prom dan output biasa. Susun input panjang kepada bahagian bernama dan sediakan ruang untuk penaakulan serta hasil akhir, bukannya memenuhi setiap kedudukan dengan bahan latar. Tetapan lanjutan bergantung pada konfigurasi yang ditetapkan.
Qwen mengesyorkan temperature 0.6 dan top-p 0.95 untuk pemikiran, serta 0.7 dan 0.8 untuk tanpa pemikiran, dengan top-k 20 dan min-p 0 dalam kedua-dua kes. Ia memberi amaran terhadap penyahkodan tamak dalam mod pemikiran kerana kemungkinan kemerosotan dan pengulangan. Peruntukan output yang disyorkan ialah 32,768 token untuk kebanyakan pertanyaan, dengan 38,912 diterangkan bagi tugas matematik dan pengaturcaraan yang sangat kompleks. Cadangan ini membimbing penjanaan; ia tidak menentukan had respons tetap yang bebas. Arahan bahasa dan pemformatan jelas amat berguna apabila hasil mesti konsisten sepanjang perbualan berbilang bahasa.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3-14b | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0002 / 1K token Output · Token output $0.00058 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0002 / 1K token Output · Token output $0.00058 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen/qwen3-14b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3-14b', '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/qwen3-14b', '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 atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra qwen/qwen3-14b
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Explain a changed approval rule\n\nCompare procedure V1: 'All purchase requests need manager approval.' V2: 'Requests above 100 credits need manager approval; smaller requests go directly to purchasing.' Explain the change to a new coordinator, give examples for 80 and 120 credits and identify the unanswered rule for exactly 100 credits. Keep the two versions distinct.A brief explanation, two worked examples and one boundary clarification.The answer must not invent the exactly-100-credit rule absent from V2.