Qwen3-235B-A22B-FP8 ialah edisi FP8 rasmi Qwen3-235B-A22B. Keupayaan teks yang diiklankan meliputi penaakulan matematik dan logik, penjanaan kod, penulisan kreatif, dialog berasaskan peranan serta pematuhan arahan berbilang giliran dalam lebih daripada 100 bahasa dan dialek. Model menggabungkan mod pemikiran dan respons langsung. Gunakannya untuk tugas yang menggabungkan beberapa kekangan, seperti membandingkan dua pelaksanaan terhadap spesifikasi yang sama dan menukar perbandingan menjadi cadangan perubahan konkrit.
Seni bina asas ialah campuran pakar: 235 bilion parameter keseluruhan, 22 bilion aktif semasa pemprosesan, 94 lapisan dan 128 pakar dengan lapan dipilih bagi setiap token. Perhatian pertanyaan berkelompok menggunakan 64 kepala pertanyaan dan empat kepala kunci/nilai. Akhiran FP8 mengenal pasti titik semak yang diterbitkan secara berasingan, bukannya modaliti respons tambahan atau bilangan parameter berbeza. Model menerima teks dan menjana teks. Berikan pembantu semakan kod spesifikasi, fail sumber berkaitan dan tingkah laku yang dijangka; minta jadual keputusan, pengubahsuaian pilihan serta contoh yang menunjukkan hasil yang dimaksudkan.
Aliran permulaan pengeluar memformat sumber dan arahan sebagai perbualan. Untuk perbandingan dokumen, labelkan versi, nyatakan autoriti setiap sumber dan kenal pasti keperluan yang mesti kekal tidak berubah. Untuk soalan matematik, sertakan pernyataan lengkap dan bentuk jawapan akhir yang diingini. Untuk tugas pelaksanaan, tentukan bahasa, bentuk input sebenar, kes kegagalan dan antara muka yang perlu dikekalkan. Nyatakan artifak akhir secara jelas supaya jawapan panjang masih menyelesaikan permintaan asal. Integrasi yang diterbitkan menjangkakan persekitaran pelaksanaan yang mengenali Qwen3; kad memberi amaran bahawa versi Transformers di bawah 4.51.0 tidak mengenali seni bina yang diperlukan.
Edisi ini mempunyai nota FP8 khusus. Titik semak menggunakan pengkuantuman FP8 butiran halus dengan saiz blok 128; konfigurasi terbitannya merekodkan skim pengkuantuman. Pengeluar menyenaraikan Transformers, SGLang dan vLLM sebagai pilihan inferens, sambil memberi amaran tentang isu FP8 butiran halus dalam inferens Transformers teragih. Penggunaan berbilang peranti mungkin memerlukan CUDA_LAUNCH_BLOCKING=1. Ini ialah butiran keserasian khusus edisi, bukannya alasan untuk menganggap kelajuan, penggunaan memori atau kualiti output yang sama merentas persekitaran pelaksanaan. Kekalkan nama FP8 penuh apabila membandingkan atau merekodkan hasil, dan nilai titik semak sebenar dalam persekitaran yang dimaksudkan.
Pemikiran ialah lalai dalam templat sembang yang diberikan, dan suis keras boleh mematikannya. Dengan pemikiran aktif, /think dan /no_think boleh mengawal giliran individu; arahan terkini diutamakan. Suis lembut tidak mengatasi pelumpuhan keras. Bezakan jawapan akhir daripada bahagian penaakulan yang dijana dan bawa jawapan akhir ke dalam sejarah dialog kemudian. Analisis percanggahan terperinci boleh meminta pemikiran, manakala susulan yang memformat semula kesimpulan yang diterima boleh meminta respons langsung. Dengan pemikiran aktif, permintaan lembut tanpa pemikiran pun mengekalkan blok penaakulan; kandungannya boleh kosong. Pelumpuhan keras membuang blok itu.
Kad mengesyorkan Qwen-Agent untuk templat dan penghuraian panggilan alat. Dalam pembantu kejuruteraan, aplikasi boleh mendedahkan pelaksana ujian atau carian sumber baca sahaja, melaksanakan panggilan yang diterima dan mengembalikan bukti untuk jawapan seterusnya. Tentukan input alat, kebenaran dan medan hasil. Wajibkan pembantu mengaitkan cadangan perubahan dengan hasil yang dikembalikan serta membezakan ujian yang dimintanya daripada ujian yang benar-benar diselesaikan aplikasi. Keupayaan model berkaitan alat bergantung pada aliran pelaksanaan yang mengelilinginya ini. Panduan Qwen3 turut menerangkan panggilan alat selari dan berbilang langkah, dengan argumen diwakili sebagai objek dan hasil dibekalkan semula ke perbualan.
Konteks asal ialah 32,768 token, dengan 131,072 didokumenkan melalui peluasan YaRN. Input dan output yang dijana berkongsi bajet urutan. Tetingkap lebih besar memerlukan konfigurasi berkaitan, dan YaRN statik boleh mempengaruhi input pendek. Susun bahan sumber panjang mengikut fail atau bahagian dan sediakan ruang untuk perbandingan akhir atau kod. Panjang output yang ditunjukkan dalam panduan mula pantas dan amalan terbaik ialah panduan penjanaan, bukannya bukti maksimum output bebas yang terpakai seluruh perkhidmatan. Dokumentasi Qwen3 membincangkan panjang mesej pembantu 38,912 token dalam mod pemikiran dan 16,384 dalam mod tanpa pemikiran dalam penerangan panjang latihannya, serta mengesyorkan penilaian kualiti penjanaan lebih panjang. Angka ini berbeza daripada tetingkap konteks keseluruhan dan bukan had keras khusus titik akhir. Kad juga menerangkan peruntukan kedudukan lalai 40,960 token sebagai 8,192 untuk prom biasa ditambah 32,768 untuk output; ini ialah panduan konfigurasi pengeluar, berasingan daripada konteks latihan asal dan sebarang had titik akhir.
Pensampelan mod pemikiran yang disyorkan ialah temperature 0.6, top-p 0.95, top-k 20 dan min-p 0; mod langsung menggunakan 0.7, 0.8, 20 dan 0. Penyahkodan tamak dalam mod pemikiran boleh menyebabkan pengulangan, dan presence penalty yang lebih kuat mungkin memperkenalkan percampuran bahasa. Minta struktur akhir yang boleh diperiksa, seperti jadual hasil diikuti fungsi yang diubah serta kes berkaitan. Semak kesimpulan berangka, jalankan kod dalam persekitaran sasaran dan periksa hasil alat sebelum menggunakan cadangan perubahan. Identiti titik semak FP8 serta peringatan persekitaran pelaksanaannya disarankan untuk dikekalkan bersama penilaian itu.
", "aboutText": "Qwen3-235B-A22B-FP8 ialah edisi FP8 rasmi Qwen3-235B-A22B. Keupayaan teks yang diiklankan meliputi penaakulan matematik dan logik, penjanaan kod, penulisan kreatif, dialog berasaskan peranan serta pematuhan arahan berbilang giliran dalam lebih daripada 100 bahasa dan dialek. Model menggabungkan mod pemikiran dan respons langsung. Gunakannya untuk tugas yang menggabungkan beberapa kekangan, seperti membandingkan dua pelaksanaan terhadap spesifikasi yang sama dan menukar perbandingan menjadi cadangan perubahan konkrit.\n\nSeni bina asas ialah campuran pakar: 235 bilion parameter keseluruhan, 22 bilion aktif semasa pemprosesan, 94 lapisan dan 128 pakar dengan lapan dipilih bagi setiap token. Perhatian pertanyaan berkelompok menggunakan 64 kepala pertanyaan dan empat kepala kunci/nilai. Akhiran FP8 mengenal pasti titik semak yang diterbitkan secara berasingan, bukannya modaliti respons tambahan atau bilangan parameter berbeza. Model menerima teks dan menjana teks. Berikan pembantu semakan kod spesifikasi, fail sumber berkaitan dan tingkah laku yang dijangka; minta jadual keputusan, pengubahsuaian pilihan serta contoh yang menunjukkan hasil yang dimaksudkan.\n\nAliran permulaan pengeluar memformat sumber dan arahan sebagai perbualan. Untuk perbandingan dokumen, labelkan versi, nyatakan autoriti setiap sumber dan kenal pasti keperluan yang mesti kekal tidak berubah. Untuk soalan matematik, sertakan pernyataan lengkap dan bentuk jawapan akhir yang diingini. Untuk tugas pelaksanaan, tentukan bahasa, bentuk input sebenar, kes kegagalan dan antara muka yang perlu dikekalkan. Nyatakan artifak akhir secara jelas supaya jawapan panjang masih menyelesaikan permintaan asal. Integrasi yang diterbitkan menjangkakan persekitaran pelaksanaan yang mengenali Qwen3; kad memberi amaran bahawa versi Transformers di bawah 4.51.0 tidak mengenali seni bina yang diperlukan.\n\nEdisi ini mempunyai nota FP8 khusus. Titik semak menggunakan pengkuantuman FP8 butiran halus dengan saiz blok 128; konfigurasi terbitannya merekodkan skim pengkuantuman. Pengeluar menyenaraikan Transformers, SGLang dan vLLM sebagai pilihan inferens, sambil memberi amaran tentang isu FP8 butiran halus dalam inferens Transformers teragih. Penggunaan berbilang peranti mungkin memerlukan CUDA_LAUNCH_BLOCKING=1. Ini ialah butiran keserasian khusus edisi, bukannya alasan untuk menganggap kelajuan, penggunaan memori atau kualiti output yang sama merentas persekitaran pelaksanaan. Kekalkan nama FP8 penuh apabila membandingkan atau merekodkan hasil, dan nilai titik semak sebenar dalam persekitaran yang dimaksudkan.\n\nPemikiran ialah lalai dalam templat sembang yang diberikan, dan suis keras boleh mematikannya. Dengan pemikiran aktif, /think dan /no_think boleh mengawal giliran individu; arahan terkini diutamakan. Suis lembut tidak mengatasi pelumpuhan keras. Bezakan jawapan akhir daripada bahagian penaakulan yang dijana dan bawa jawapan akhir ke dalam sejarah dialog kemudian. Analisis percanggahan terperinci boleh meminta pemikiran, manakala susulan yang memformat semula kesimpulan yang diterima boleh meminta respons langsung. Dengan pemikiran aktif, permintaan lembut tanpa pemikiran pun mengekalkan blok penaakulan; kandungannya boleh kosong. Pelumpuhan keras membuang blok itu.\n\nKad mengesyorkan Qwen-Agent untuk templat dan penghuraian panggilan alat. Dalam pembantu kejuruteraan, aplikasi boleh mendedahkan pelaksana ujian atau carian sumber baca sahaja, melaksanakan panggilan yang diterima dan mengembalikan bukti untuk jawapan seterusnya. Tentukan input alat, kebenaran dan medan hasil. Wajibkan pembantu mengaitkan cadangan perubahan dengan hasil yang dikembalikan serta membezakan ujian yang dimintanya daripada ujian yang benar-benar diselesaikan aplikasi. Keupayaan model berkaitan alat bergantung pada aliran pelaksanaan yang mengelilinginya ini. Panduan Qwen3 turut menerangkan panggilan alat selari dan berbilang langkah, dengan argumen diwakili sebagai objek dan hasil dibekalkan semula ke perbualan.\n\nKonteks asal ialah 32,768 token, dengan 131,072 didokumenkan melalui peluasan YaRN. Input dan output yang dijana berkongsi bajet urutan. Tetingkap lebih besar memerlukan konfigurasi berkaitan, dan YaRN statik boleh mempengaruhi input pendek. Susun bahan sumber panjang mengikut fail atau bahagian dan sediakan ruang untuk perbandingan akhir atau kod. Panjang output yang ditunjukkan dalam panduan mula pantas dan amalan terbaik ialah panduan penjanaan, bukannya bukti maksimum output bebas yang terpakai seluruh perkhidmatan. Dokumentasi Qwen3 membincangkan panjang mesej pembantu 38,912 token dalam mod pemikiran dan 16,384 dalam mod tanpa pemikiran dalam penerangan panjang latihannya, serta mengesyorkan penilaian kualiti penjanaan lebih panjang. Angka ini berbeza daripada tetingkap konteks keseluruhan dan bukan had keras khusus titik akhir. Kad juga menerangkan peruntukan kedudukan lalai 40,960 token sebagai 8,192 untuk prom biasa ditambah 32,768 untuk output; ini ialah panduan konfigurasi pengeluar, berasingan daripada konteks latihan asal dan sebarang had titik akhir.\n\nPensampelan mod pemikiran yang disyorkan ialah temperature 0.6, top-p 0.95, top-k 20 dan min-p 0; mod langsung menggunakan 0.7, 0.8, 20 dan 0. Penyahkodan tamak dalam mod pemikiran boleh menyebabkan pengulangan, dan presence penalty yang lebih kuat mungkin memperkenalkan percampuran bahasa. Minta struktur akhir yang boleh diperiksa, seperti jadual hasil diikuti fungsi yang diubah serta kes berkaitan. Semak kesimpulan berangka, jalankan kod dalam persekitaran sasaran dan periksa hasil alat sebelum menggunakan cadangan perubahan. Identiti titik semak FP8 serta peringatan persekitaran pelaksanaannya disarankan untuk dikekalkan bersama penilaian itu.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Compare two normalizers to a contract\n\nThe contract requires unique case-sensitive tags in first-occurrence order. Compare Python A: return sorted(set(tags)) with B: return list(dict.fromkeys(tags)). Input: ["red", "Blue", "red", "blue"]. Give a criterion table, select the compliant implementation and provide tests for order and case preservation. Do not alter the contract to fit either implementation.A two-implementation decision table, a selected implementation and two contract-focused tests.Check that sorting is recognized as an order violation and Blue remains distinct from blue.qwen/qwen3-235b-a22b-fp8Qwen3-235B-A22B-FP8 ialah titik semak FP8 butiran halus rasmi bagi model campuran pakar besar Qwen3. Model mengekalkan keupayaan penaakulan teks hibrid dan dialog sambil membawa identiti pengkuantuman serta pertimbangan persekitaran pelaksanaannya sendiri.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen3-235B-A22B-FP8 ialah edisi FP8 rasmi Qwen3-235B-A22B. Keupayaan teks yang diiklankan meliputi penaakulan matematik dan logik, penjanaan kod, penulisan kreatif, dialog berasaskan peranan serta pematuhan arahan berbilang giliran dalam lebih daripada 100 bahasa dan dialek. Model menggabungkan mod pemikiran dan respons langsung. Gunakannya untuk tugas yang menggabungkan beberapa kekangan, seperti membandingkan dua pelaksanaan terhadap spesifikasi yang sama dan menukar perbandingan menjadi cadangan perubahan konkrit.
Seni bina asas ialah campuran pakar: 235 bilion parameter keseluruhan, 22 bilion aktif semasa pemprosesan, 94 lapisan dan 128 pakar dengan lapan dipilih bagi setiap token. Perhatian pertanyaan berkelompok menggunakan 64 kepala pertanyaan dan empat kepala kunci/nilai. Akhiran FP8 mengenal pasti titik semak yang diterbitkan secara berasingan, bukannya modaliti respons tambahan atau bilangan parameter berbeza. Model menerima teks dan menjana teks. Berikan pembantu semakan kod spesifikasi, fail sumber berkaitan dan tingkah laku yang dijangka; minta jadual keputusan, pengubahsuaian pilihan serta contoh yang menunjukkan hasil yang dimaksudkan.
Aliran permulaan pengeluar memformat sumber dan arahan sebagai perbualan. Untuk perbandingan dokumen, labelkan versi, nyatakan autoriti setiap sumber dan kenal pasti keperluan yang mesti kekal tidak berubah. Untuk soalan matematik, sertakan pernyataan lengkap dan bentuk jawapan akhir yang diingini. Untuk tugas pelaksanaan, tentukan bahasa, bentuk input sebenar, kes kegagalan dan antara muka yang perlu dikekalkan. Nyatakan artifak akhir secara jelas supaya jawapan panjang masih menyelesaikan permintaan asal. Integrasi yang diterbitkan menjangkakan persekitaran pelaksanaan yang mengenali Qwen3; kad memberi amaran bahawa versi Transformers di bawah 4.51.0 tidak mengenali seni bina yang diperlukan.
Edisi ini mempunyai nota FP8 khusus. Titik semak menggunakan pengkuantuman FP8 butiran halus dengan saiz blok 128; konfigurasi terbitannya merekodkan skim pengkuantuman. Pengeluar menyenaraikan Transformers, SGLang dan vLLM sebagai pilihan inferens, sambil memberi amaran tentang isu FP8 butiran halus dalam inferens Transformers teragih. Penggunaan berbilang peranti mungkin memerlukan CUDA_LAUNCH_BLOCKING=1. Ini ialah butiran keserasian khusus edisi, bukannya alasan untuk menganggap kelajuan, penggunaan memori atau kualiti output yang sama merentas persekitaran pelaksanaan. Kekalkan nama FP8 penuh apabila membandingkan atau merekodkan hasil, dan nilai titik semak sebenar dalam persekitaran yang dimaksudkan.
Pemikiran ialah lalai dalam templat sembang yang diberikan, dan suis keras boleh mematikannya. Dengan pemikiran aktif, /think dan /no_think boleh mengawal giliran individu; arahan terkini diutamakan. Suis lembut tidak mengatasi pelumpuhan keras. Bezakan jawapan akhir daripada bahagian penaakulan yang dijana dan bawa jawapan akhir ke dalam sejarah dialog kemudian. Analisis percanggahan terperinci boleh meminta pemikiran, manakala susulan yang memformat semula kesimpulan yang diterima boleh meminta respons langsung. Dengan pemikiran aktif, permintaan lembut tanpa pemikiran pun mengekalkan blok penaakulan; kandungannya boleh kosong. Pelumpuhan keras membuang blok itu.
Kad mengesyorkan Qwen-Agent untuk templat dan penghuraian panggilan alat. Dalam pembantu kejuruteraan, aplikasi boleh mendedahkan pelaksana ujian atau carian sumber baca sahaja, melaksanakan panggilan yang diterima dan mengembalikan bukti untuk jawapan seterusnya. Tentukan input alat, kebenaran dan medan hasil. Wajibkan pembantu mengaitkan cadangan perubahan dengan hasil yang dikembalikan serta membezakan ujian yang dimintanya daripada ujian yang benar-benar diselesaikan aplikasi. Keupayaan model berkaitan alat bergantung pada aliran pelaksanaan yang mengelilinginya ini. Panduan Qwen3 turut menerangkan panggilan alat selari dan berbilang langkah, dengan argumen diwakili sebagai objek dan hasil dibekalkan semula ke perbualan.
Konteks asal ialah 32,768 token, dengan 131,072 didokumenkan melalui peluasan YaRN. Input dan output yang dijana berkongsi bajet urutan. Tetingkap lebih besar memerlukan konfigurasi berkaitan, dan YaRN statik boleh mempengaruhi input pendek. Susun bahan sumber panjang mengikut fail atau bahagian dan sediakan ruang untuk perbandingan akhir atau kod. Panjang output yang ditunjukkan dalam panduan mula pantas dan amalan terbaik ialah panduan penjanaan, bukannya bukti maksimum output bebas yang terpakai seluruh perkhidmatan. Dokumentasi Qwen3 membincangkan panjang mesej pembantu 38,912 token dalam mod pemikiran dan 16,384 dalam mod tanpa pemikiran dalam penerangan panjang latihannya, serta mengesyorkan penilaian kualiti penjanaan lebih panjang. Angka ini berbeza daripada tetingkap konteks keseluruhan dan bukan had keras khusus titik akhir. Kad juga menerangkan peruntukan kedudukan lalai 40,960 token sebagai 8,192 untuk prom biasa ditambah 32,768 untuk output; ini ialah panduan konfigurasi pengeluar, berasingan daripada konteks latihan asal dan sebarang had titik akhir.
Pensampelan mod pemikiran yang disyorkan ialah temperature 0.6, top-p 0.95, top-k 20 dan min-p 0; mod langsung menggunakan 0.7, 0.8, 20 dan 0. Penyahkodan tamak dalam mod pemikiran boleh menyebabkan pengulangan, dan presence penalty yang lebih kuat mungkin memperkenalkan percampuran bahasa. Minta struktur akhir yang boleh diperiksa, seperti jadual hasil diikuti fungsi yang diubah serta kes berkaitan. Semak kesimpulan berangka, jalankan kod dalam persekitaran sasaran dan periksa hasil alat sebelum menggunakan cadangan perubahan. Identiti titik semak FP8 serta peringatan persekitaran pelaksanaannya disarankan untuk dikekalkan bersama penilaian itu.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3-235b-a22b-fp8 | 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.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.0004 / 1K token Output · Token output $0.0016 / 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/qwen3-235b-a22b-fp8", "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/qwen3-235b-a22b-fp8',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/qwen3-235b-a22b-fp8',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/qwen3-235b-a22b-fp8
Gunakan laluan kaedah yang dipaparkan di atas.
qwen/qwen3-235b-a22b-fp8Qwen3-235B-A22B-FP8 ialah titik semak FP8 butiran halus rasmi bagi model campuran pakar besar Qwen3. Model mengekalkan keupayaan penaakulan teks hibrid dan dialog sambil membawa identiti pengkuantuman serta pertimbangan persekitaran pelaksanaannya sendiri.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen3-235B-A22B-FP8 ialah edisi FP8 rasmi Qwen3-235B-A22B. Keupayaan teks yang diiklankan meliputi penaakulan matematik dan logik, penjanaan kod, penulisan kreatif, dialog berasaskan peranan serta pematuhan arahan berbilang giliran dalam lebih daripada 100 bahasa dan dialek. Model menggabungkan mod pemikiran dan respons langsung. Gunakannya untuk tugas yang menggabungkan beberapa kekangan, seperti membandingkan dua pelaksanaan terhadap spesifikasi yang sama dan menukar perbandingan menjadi cadangan perubahan konkrit.
Seni bina asas ialah campuran pakar: 235 bilion parameter keseluruhan, 22 bilion aktif semasa pemprosesan, 94 lapisan dan 128 pakar dengan lapan dipilih bagi setiap token. Perhatian pertanyaan berkelompok menggunakan 64 kepala pertanyaan dan empat kepala kunci/nilai. Akhiran FP8 mengenal pasti titik semak yang diterbitkan secara berasingan, bukannya modaliti respons tambahan atau bilangan parameter berbeza. Model menerima teks dan menjana teks. Berikan pembantu semakan kod spesifikasi, fail sumber berkaitan dan tingkah laku yang dijangka; minta jadual keputusan, pengubahsuaian pilihan serta contoh yang menunjukkan hasil yang dimaksudkan.
Aliran permulaan pengeluar memformat sumber dan arahan sebagai perbualan. Untuk perbandingan dokumen, labelkan versi, nyatakan autoriti setiap sumber dan kenal pasti keperluan yang mesti kekal tidak berubah. Untuk soalan matematik, sertakan pernyataan lengkap dan bentuk jawapan akhir yang diingini. Untuk tugas pelaksanaan, tentukan bahasa, bentuk input sebenar, kes kegagalan dan antara muka yang perlu dikekalkan. Nyatakan artifak akhir secara jelas supaya jawapan panjang masih menyelesaikan permintaan asal. Integrasi yang diterbitkan menjangkakan persekitaran pelaksanaan yang mengenali Qwen3; kad memberi amaran bahawa versi Transformers di bawah 4.51.0 tidak mengenali seni bina yang diperlukan.
Edisi ini mempunyai nota FP8 khusus. Titik semak menggunakan pengkuantuman FP8 butiran halus dengan saiz blok 128; konfigurasi terbitannya merekodkan skim pengkuantuman. Pengeluar menyenaraikan Transformers, SGLang dan vLLM sebagai pilihan inferens, sambil memberi amaran tentang isu FP8 butiran halus dalam inferens Transformers teragih. Penggunaan berbilang peranti mungkin memerlukan CUDA_LAUNCH_BLOCKING=1. Ini ialah butiran keserasian khusus edisi, bukannya alasan untuk menganggap kelajuan, penggunaan memori atau kualiti output yang sama merentas persekitaran pelaksanaan. Kekalkan nama FP8 penuh apabila membandingkan atau merekodkan hasil, dan nilai titik semak sebenar dalam persekitaran yang dimaksudkan.
Pemikiran ialah lalai dalam templat sembang yang diberikan, dan suis keras boleh mematikannya. Dengan pemikiran aktif, /think dan /no_think boleh mengawal giliran individu; arahan terkini diutamakan. Suis lembut tidak mengatasi pelumpuhan keras. Bezakan jawapan akhir daripada bahagian penaakulan yang dijana dan bawa jawapan akhir ke dalam sejarah dialog kemudian. Analisis percanggahan terperinci boleh meminta pemikiran, manakala susulan yang memformat semula kesimpulan yang diterima boleh meminta respons langsung. Dengan pemikiran aktif, permintaan lembut tanpa pemikiran pun mengekalkan blok penaakulan; kandungannya boleh kosong. Pelumpuhan keras membuang blok itu.
Kad mengesyorkan Qwen-Agent untuk templat dan penghuraian panggilan alat. Dalam pembantu kejuruteraan, aplikasi boleh mendedahkan pelaksana ujian atau carian sumber baca sahaja, melaksanakan panggilan yang diterima dan mengembalikan bukti untuk jawapan seterusnya. Tentukan input alat, kebenaran dan medan hasil. Wajibkan pembantu mengaitkan cadangan perubahan dengan hasil yang dikembalikan serta membezakan ujian yang dimintanya daripada ujian yang benar-benar diselesaikan aplikasi. Keupayaan model berkaitan alat bergantung pada aliran pelaksanaan yang mengelilinginya ini. Panduan Qwen3 turut menerangkan panggilan alat selari dan berbilang langkah, dengan argumen diwakili sebagai objek dan hasil dibekalkan semula ke perbualan.
Konteks asal ialah 32,768 token, dengan 131,072 didokumenkan melalui peluasan YaRN. Input dan output yang dijana berkongsi bajet urutan. Tetingkap lebih besar memerlukan konfigurasi berkaitan, dan YaRN statik boleh mempengaruhi input pendek. Susun bahan sumber panjang mengikut fail atau bahagian dan sediakan ruang untuk perbandingan akhir atau kod. Panjang output yang ditunjukkan dalam panduan mula pantas dan amalan terbaik ialah panduan penjanaan, bukannya bukti maksimum output bebas yang terpakai seluruh perkhidmatan. Dokumentasi Qwen3 membincangkan panjang mesej pembantu 38,912 token dalam mod pemikiran dan 16,384 dalam mod tanpa pemikiran dalam penerangan panjang latihannya, serta mengesyorkan penilaian kualiti penjanaan lebih panjang. Angka ini berbeza daripada tetingkap konteks keseluruhan dan bukan had keras khusus titik akhir. Kad juga menerangkan peruntukan kedudukan lalai 40,960 token sebagai 8,192 untuk prom biasa ditambah 32,768 untuk output; ini ialah panduan konfigurasi pengeluar, berasingan daripada konteks latihan asal dan sebarang had titik akhir.
Pensampelan mod pemikiran yang disyorkan ialah temperature 0.6, top-p 0.95, top-k 20 dan min-p 0; mod langsung menggunakan 0.7, 0.8, 20 dan 0. Penyahkodan tamak dalam mod pemikiran boleh menyebabkan pengulangan, dan presence penalty yang lebih kuat mungkin memperkenalkan percampuran bahasa. Minta struktur akhir yang boleh diperiksa, seperti jadual hasil diikuti fungsi yang diubah serta kes berkaitan. Semak kesimpulan berangka, jalankan kod dalam persekitaran sasaran dan periksa hasil alat sebelum menggunakan cadangan perubahan. Identiti titik semak FP8 serta peringatan persekitaran pelaksanaannya disarankan untuk dikekalkan bersama penilaian itu.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3-235b-a22b-fp8 | 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.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.0004 / 1K token Output · Token output $0.0016 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen/qwen3-235b-a22b-fp8",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3-235b-a22b-fp8', '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/qwen3-235b-a22b-fp8', '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/qwen3-235b-a22b-fp8
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Compare two normalizers to a contract\n\nThe contract requires unique case-sensitive tags in first-occurrence order. Compare Python A: return sorted(set(tags)) with B: return list(dict.fromkeys(tags)). Input: ["red", "Blue", "red", "blue"]. Give a criterion table, select the compliant implementation and provide tests for order and case preservation. Do not alter the contract to fit either implementation.A two-implementation decision table, a selected implementation and two contract-focused tests.Check that sorting is recognized as an order violation and Blue remains distinct from blue.