Sorotan: kemas kini Instruct-2507 tetap
Qwen3-30B-A3B-Instruct-2507 ialah edisi tanpa pemikiran Qwen3-30B-A3B yang dikemas kini. Pembuat menekankan penambahbaikan pematuhan arahan, penaakulan logik, pemahaman teks, matematik, sains, pengekodan dan penggunaan alat, dengan pengetahuan lebih luas tentang topik yang jarang ditemui merentas pelbagai bahasa serta penjajaran lebih baik untuk tugas terbuka. Model menerima teks dan menghasilkan teks: jawapan, penerangan, cadangan kod atau artifak penulisan yang diminta.
Bezakan identiti 2507 tetap daripada Qwen3-30B-A3B hibrid asal, binaan FP8 dan edisi Thinking-2507. Penerangan pengetahuan berbilang bahasa model tidak memberikan jaminan bilangan bahasa berasingan untuk snapshot ini. Nyatakan bahasa sasaran, khalayak dan istilah yang patut kekal tidak berubah apabila tugas melibatkan terjemahan atau penulisan semula.
Gambaran model
Model campuran pakar mempunyai 30.5 bilion parameter keseluruhan dan mengaktifkan 3.3 bilion. Model mempunyai 48 lapisan, 128 pakar dan lapan pakar dipilih bagi setiap token. Konteks asalnya ialah 262,144 token. Parameter aktif bukan saiz keseluruhan titik semak, dan seni bina sahaja tidak menetapkan masa respons tetap dalam aplikasi.
Edisi ini menyokong mod tanpa pemikiran sahaja dan tidak menjana blok pemikiran yang jelas. Tetapan enable_thinking=False tidak diperlukan dalam resipi pembuat. Model masih boleh menunjukkan pengiraan atau menerangkan kod dalam teks biasa; permintaan langkah sokongan tidak menukarnya menjadi titik semak Thinking yang berasingan.
Menyediakan permintaan teks yang berguna
Untuk tugas pengekodan, berikan fungsi atau modul berkaitan, kekangan input, tingkah laku yang diperhatikan dan hasil yang diperlukan. Minta cadangan patch atau fungsi lengkap dengan penerangan andaian yang terjejas. Untuk soalan matematik atau sains, berikan pernyataan lengkap, unit dan definisi, kemudian minta jawapan akhir yang bersempadan jelas dan disokong syarat yang dibekalkan.
Untuk tugas penulisan terbuka, tentukan khalayak, tujuan, nada dan maklumat yang mesti muncul. Respons berguna boleh berupa draf boleh disunting yang disusun mengikut bahagian diminta, dengan andaian tidak disokong dikenal pasti secara berasingan. Bandingkan draf, pengiraan atau cadangan kod yang dikembalikan dengan fakta, definisi dan keperluan yang dibekalkan.
Penggunaan ejen
Qwen mendokumenkan panggilan alat dan mengesyorkan Qwen-Agent untuk templat serta penghuraian, dengan alat yang dikonfigurasi atau disambungkan melalui MCP. Nyatakan tindakan yang dibenarkan dan syarat penyelesaian yang boleh diperhatikan. Alat bersambung melaksanakan operasi luaran dan mengembalikan pemerhatian; model boleh menggunakan maklum balas itu dalam jawapan kemudian. Cadangan arahan atau dakwaan sumber telah diperoleh perlu berbeza daripada hasil yang benar-benar dikembalikan oleh aliran kerja.
Artifak akhir yang jelas boleh berupa cadangan kod, jadual bukti atau laporan ringkas. Sokongan alat tidak dengan sendirinya mencipta akses kepada sumber semasa, fail atau persekitaran pelaksanaan melalui setiap antara muka. Kekalkan kontrak respons tanpa pemikiran model tepat, bukannya mengimport suis prom model hibrid atau peruntukan output edisi Thinking.
Memproses teks amat panjang
Pembuat mendokumenkan aliran kerja pilihan yang mencapai kira-kira satu juta token melalui Dual Chunk Attention dan perhatian jarang MInference. Yang pertama membahagikan urutan panjang kepada bahagian boleh diurus sambil mengekalkan interaksi merentas bahagian; yang kedua memfokuskan pengiraan kepada hubungan perhatian terpilih. Ini ialah laluan konfigurasi tambahan melangkaui konteks asal 262,144, menggunakan konfigurasi konteks panjang khas.
Resipi menganggarkan kira-kira 240 GB jumlah memori GPU untuk pemberat model, keadaan urutan yang dicache dan pengaktifan puncak. Ia turut menerangkan kegagalan kapasiti dengan punca yang berasingan: cache urutan, memori pengaktifan atau input yang melebihi panjang terkonfigurasi. Oleh itu, aliran kerja sejuta token bergantung pada konfigurasi serta sumber; angka utama tidak patut dianggap sebagai lalai tanpa syarat.
Sediakan input panjang dengan sempadan dokumen, nama bahagian atau pengecam kod dan soalan konkrit. Sediakan ruang untuk jawapan dan minta bukti yang menyokong setiap kesimpulan.
Cadangan penjanaan
Amalan terbaik mengesyorkan temperature 0.7, top_p 0.8, top_k 20 dan min_p 0. Jika disokong, presence penalty antara sifar dan dua boleh mengurangkan teks berulang, manakala nilai lebih tinggi mungkin mencampurkan bahasa atau sedikit menurunkan kualiti. Pembuat mengesyorkan peruntukan output 16,384 token untuk kebanyakan pertanyaan, bukannya bajet lebih panjang yang didokumenkan untuk Thinking-2507. Ini ialah cadangan, bukan had keras output yang ditetapkan secara bebas.
Nyatakan format akhir secara jelas, seperti pembatas matematik atau medan jawapan. Input model yang didokumenkan ialah teks, maka bukti visual atau audio memerlukan perwakilan berasingan yang sesuai sebelum aliran ini. Semak pengiraan, petikan dan kod yang dijana terhadap sumber. Hasil berguna ialah artifak teks lengkap yang boleh disemak, dengan identiti Instruct-2507 tetap, mod tanpa pemikiran serta prosedur konteks panjang bersyaratnya kekal jelas.
", "aboutText": "Sorotan: kemas kini Instruct-2507 tetap\n\nQwen3-30B-A3B-Instruct-2507 ialah edisi tanpa pemikiran Qwen3-30B-A3B yang dikemas kini. Pembuat menekankan penambahbaikan pematuhan arahan, penaakulan logik, pemahaman teks, matematik, sains, pengekodan dan penggunaan alat, dengan pengetahuan lebih luas tentang topik yang jarang ditemui merentas pelbagai bahasa serta penjajaran lebih baik untuk tugas terbuka. Model menerima teks dan menghasilkan teks: jawapan, penerangan, cadangan kod atau artifak penulisan yang diminta.\n\nBezakan identiti 2507 tetap daripada Qwen3-30B-A3B hibrid asal, binaan FP8 dan edisi Thinking-2507. Penerangan pengetahuan berbilang bahasa model tidak memberikan jaminan bilangan bahasa berasingan untuk snapshot ini. Nyatakan bahasa sasaran, khalayak dan istilah yang patut kekal tidak berubah apabila tugas melibatkan terjemahan atau penulisan semula.\n\nGambaran model\n\nModel campuran pakar mempunyai 30.5 bilion parameter keseluruhan dan mengaktifkan 3.3 bilion. Model mempunyai 48 lapisan, 128 pakar dan lapan pakar dipilih bagi setiap token. Konteks asalnya ialah 262,144 token. Parameter aktif bukan saiz keseluruhan titik semak, dan seni bina sahaja tidak menetapkan masa respons tetap dalam aplikasi.\n\nEdisi ini menyokong mod tanpa pemikiran sahaja dan tidak menjana blok pemikiran yang jelas. Tetapan enable_thinking=False tidak diperlukan dalam resipi pembuat. Model masih boleh menunjukkan pengiraan atau menerangkan kod dalam teks biasa; permintaan langkah sokongan tidak menukarnya menjadi titik semak Thinking yang berasingan.\n\nMenyediakan permintaan teks yang berguna\n\nUntuk tugas pengekodan, berikan fungsi atau modul berkaitan, kekangan input, tingkah laku yang diperhatikan dan hasil yang diperlukan. Minta cadangan patch atau fungsi lengkap dengan penerangan andaian yang terjejas. Untuk soalan matematik atau sains, berikan pernyataan lengkap, unit dan definisi, kemudian minta jawapan akhir yang bersempadan jelas dan disokong syarat yang dibekalkan.\n\nUntuk tugas penulisan terbuka, tentukan khalayak, tujuan, nada dan maklumat yang mesti muncul. Respons berguna boleh berupa draf boleh disunting yang disusun mengikut bahagian diminta, dengan andaian tidak disokong dikenal pasti secara berasingan. Bandingkan draf, pengiraan atau cadangan kod yang dikembalikan dengan fakta, definisi dan keperluan yang dibekalkan.\n\nPenggunaan ejen\n\nQwen mendokumenkan panggilan alat dan mengesyorkan Qwen-Agent untuk templat serta penghuraian, dengan alat yang dikonfigurasi atau disambungkan melalui MCP. Nyatakan tindakan yang dibenarkan dan syarat penyelesaian yang boleh diperhatikan. Alat bersambung melaksanakan operasi luaran dan mengembalikan pemerhatian; model boleh menggunakan maklum balas itu dalam jawapan kemudian. Cadangan arahan atau dakwaan sumber telah diperoleh perlu berbeza daripada hasil yang benar-benar dikembalikan oleh aliran kerja.\n\nArtifak akhir yang jelas boleh berupa cadangan kod, jadual bukti atau laporan ringkas. Sokongan alat tidak dengan sendirinya mencipta akses kepada sumber semasa, fail atau persekitaran pelaksanaan melalui setiap antara muka. Kekalkan kontrak respons tanpa pemikiran model tepat, bukannya mengimport suis prom model hibrid atau peruntukan output edisi Thinking.\n\nMemproses teks amat panjang\n\nPembuat mendokumenkan aliran kerja pilihan yang mencapai kira-kira satu juta token melalui Dual Chunk Attention dan perhatian jarang MInference. Yang pertama membahagikan urutan panjang kepada bahagian boleh diurus sambil mengekalkan interaksi merentas bahagian; yang kedua memfokuskan pengiraan kepada hubungan perhatian terpilih. Ini ialah laluan konfigurasi tambahan melangkaui konteks asal 262,144, menggunakan konfigurasi konteks panjang khas.\n\nResipi menganggarkan kira-kira 240 GB jumlah memori GPU untuk pemberat model, keadaan urutan yang dicache dan pengaktifan puncak. Ia turut menerangkan kegagalan kapasiti dengan punca yang berasingan: cache urutan, memori pengaktifan atau input yang melebihi panjang terkonfigurasi. Oleh itu, aliran kerja sejuta token bergantung pada konfigurasi serta sumber; angka utama tidak patut dianggap sebagai lalai tanpa syarat.\n\nSediakan input panjang dengan sempadan dokumen, nama bahagian atau pengecam kod dan soalan konkrit. Sediakan ruang untuk jawapan dan minta bukti yang menyokong setiap kesimpulan.\n\nCadangan penjanaan\n\nAmalan terbaik mengesyorkan temperature 0.7, top_p 0.8, top_k 20 dan min_p 0. Jika disokong, presence penalty antara sifar dan dua boleh mengurangkan teks berulang, manakala nilai lebih tinggi mungkin mencampurkan bahasa atau sedikit menurunkan kualiti. Pembuat mengesyorkan peruntukan output 16,384 token untuk kebanyakan pertanyaan, bukannya bajet lebih panjang yang didokumenkan untuk Thinking-2507. Ini ialah cadangan, bukan had keras output yang ditetapkan secara bebas.\n\nNyatakan format akhir secara jelas, seperti pembatas matematik atau medan jawapan. Input model yang didokumenkan ialah teks, maka bukti visual atau audio memerlukan perwakilan berasingan yang sesuai sebelum aliran ini. Semak pengiraan, petikan dan kod yang dijana terhadap sumber. Hasil berguna ialah artifak teks lengkap yang boleh disemak, dengan identiti Instruct-2507 tetap, mod tanpa pemikiran serta prosedur konteks panjang bersyaratnya kekal jelas.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Draft a bounded project brief\n\nWrite a one-page-style brief in at most 170 words for a library's room-booking page. Facts: two rooms, maximum two-hour bookings, no recurring reservations, and a staff review for groups larger than eight. Use sections Goal, User steps, Rules and Open question. Include no payment features or assumed room capacities beyond the stated review threshold.An editable four-section project brief preserving the booking rules and one genuinely unanswered design question.The group-size threshold triggers staff review rather than being invented as an absolute room-capacity limit.qwen/qwen3-30b-a3b-instruct-2507Qwen3-30B-A3B-Instruct-2507 ialah edisi teks tetap 2507 keluaran Julai Qwen dengan mod tanpa pemikiran, mempunyai 30.5 bilion parameter keseluruhan dan 3.3 bilion diaktifkan. Model menambah baik pematuhan arahan, pengekodan, pengetahuan berbilang bahasa dan penulisan terbuka, dengan konteks asal 262,144 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Sorotan: kemas kini Instruct-2507 tetap
Qwen3-30B-A3B-Instruct-2507 ialah edisi tanpa pemikiran Qwen3-30B-A3B yang dikemas kini. Pembuat menekankan penambahbaikan pematuhan arahan, penaakulan logik, pemahaman teks, matematik, sains, pengekodan dan penggunaan alat, dengan pengetahuan lebih luas tentang topik yang jarang ditemui merentas pelbagai bahasa serta penjajaran lebih baik untuk tugas terbuka. Model menerima teks dan menghasilkan teks: jawapan, penerangan, cadangan kod atau artifak penulisan yang diminta.
Bezakan identiti 2507 tetap daripada Qwen3-30B-A3B hibrid asal, binaan FP8 dan edisi Thinking-2507. Penerangan pengetahuan berbilang bahasa model tidak memberikan jaminan bilangan bahasa berasingan untuk snapshot ini. Nyatakan bahasa sasaran, khalayak dan istilah yang patut kekal tidak berubah apabila tugas melibatkan terjemahan atau penulisan semula.
Gambaran model
Model campuran pakar mempunyai 30.5 bilion parameter keseluruhan dan mengaktifkan 3.3 bilion. Model mempunyai 48 lapisan, 128 pakar dan lapan pakar dipilih bagi setiap token. Konteks asalnya ialah 262,144 token. Parameter aktif bukan saiz keseluruhan titik semak, dan seni bina sahaja tidak menetapkan masa respons tetap dalam aplikasi.
Edisi ini menyokong mod tanpa pemikiran sahaja dan tidak menjana blok pemikiran yang jelas. Tetapan enable_thinking=False tidak diperlukan dalam resipi pembuat. Model masih boleh menunjukkan pengiraan atau menerangkan kod dalam teks biasa; permintaan langkah sokongan tidak menukarnya menjadi titik semak Thinking yang berasingan.
Menyediakan permintaan teks yang berguna
Untuk tugas pengekodan, berikan fungsi atau modul berkaitan, kekangan input, tingkah laku yang diperhatikan dan hasil yang diperlukan. Minta cadangan patch atau fungsi lengkap dengan penerangan andaian yang terjejas. Untuk soalan matematik atau sains, berikan pernyataan lengkap, unit dan definisi, kemudian minta jawapan akhir yang bersempadan jelas dan disokong syarat yang dibekalkan.
Untuk tugas penulisan terbuka, tentukan khalayak, tujuan, nada dan maklumat yang mesti muncul. Respons berguna boleh berupa draf boleh disunting yang disusun mengikut bahagian diminta, dengan andaian tidak disokong dikenal pasti secara berasingan. Bandingkan draf, pengiraan atau cadangan kod yang dikembalikan dengan fakta, definisi dan keperluan yang dibekalkan.
Penggunaan ejen
Qwen mendokumenkan panggilan alat dan mengesyorkan Qwen-Agent untuk templat serta penghuraian, dengan alat yang dikonfigurasi atau disambungkan melalui MCP. Nyatakan tindakan yang dibenarkan dan syarat penyelesaian yang boleh diperhatikan. Alat bersambung melaksanakan operasi luaran dan mengembalikan pemerhatian; model boleh menggunakan maklum balas itu dalam jawapan kemudian. Cadangan arahan atau dakwaan sumber telah diperoleh perlu berbeza daripada hasil yang benar-benar dikembalikan oleh aliran kerja.
Artifak akhir yang jelas boleh berupa cadangan kod, jadual bukti atau laporan ringkas. Sokongan alat tidak dengan sendirinya mencipta akses kepada sumber semasa, fail atau persekitaran pelaksanaan melalui setiap antara muka. Kekalkan kontrak respons tanpa pemikiran model tepat, bukannya mengimport suis prom model hibrid atau peruntukan output edisi Thinking.
Memproses teks amat panjang
Pembuat mendokumenkan aliran kerja pilihan yang mencapai kira-kira satu juta token melalui Dual Chunk Attention dan perhatian jarang MInference. Yang pertama membahagikan urutan panjang kepada bahagian boleh diurus sambil mengekalkan interaksi merentas bahagian; yang kedua memfokuskan pengiraan kepada hubungan perhatian terpilih. Ini ialah laluan konfigurasi tambahan melangkaui konteks asal 262,144, menggunakan konfigurasi konteks panjang khas.
Resipi menganggarkan kira-kira 240 GB jumlah memori GPU untuk pemberat model, keadaan urutan yang dicache dan pengaktifan puncak. Ia turut menerangkan kegagalan kapasiti dengan punca yang berasingan: cache urutan, memori pengaktifan atau input yang melebihi panjang terkonfigurasi. Oleh itu, aliran kerja sejuta token bergantung pada konfigurasi serta sumber; angka utama tidak patut dianggap sebagai lalai tanpa syarat.
Sediakan input panjang dengan sempadan dokumen, nama bahagian atau pengecam kod dan soalan konkrit. Sediakan ruang untuk jawapan dan minta bukti yang menyokong setiap kesimpulan.
Cadangan penjanaan
Amalan terbaik mengesyorkan temperature 0.7, top_p 0.8, top_k 20 dan min_p 0. Jika disokong, presence penalty antara sifar dan dua boleh mengurangkan teks berulang, manakala nilai lebih tinggi mungkin mencampurkan bahasa atau sedikit menurunkan kualiti. Pembuat mengesyorkan peruntukan output 16,384 token untuk kebanyakan pertanyaan, bukannya bajet lebih panjang yang didokumenkan untuk Thinking-2507. Ini ialah cadangan, bukan had keras output yang ditetapkan secara bebas.
Nyatakan format akhir secara jelas, seperti pembatas matematik atau medan jawapan. Input model yang didokumenkan ialah teks, maka bukti visual atau audio memerlukan perwakilan berasingan yang sesuai sebelum aliran ini. Semak pengiraan, petikan dan kod yang dijana terhadap sumber. Hasil berguna ialah artifak teks lengkap yang boleh disemak, dengan identiti Instruct-2507 tetap, mod tanpa pemikiran serta prosedur konteks panjang bersyaratnya kekal jelas.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3-30b-a3b-instruct-2507 | 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 $0.0008 / 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 $0.0008 / 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/qwen3-30b-a3b-instruct-2507", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3-30b-a3b-instruct-2507',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3-30b-a3b-instruct-2507',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/qwen3-30b-a3b-instruct-2507
Gunakan laluan kaedah yang dipaparkan di atas.
qwen/qwen3-30b-a3b-instruct-2507Qwen3-30B-A3B-Instruct-2507 ialah edisi teks tetap 2507 keluaran Julai Qwen dengan mod tanpa pemikiran, mempunyai 30.5 bilion parameter keseluruhan dan 3.3 bilion diaktifkan. Model menambah baik pematuhan arahan, pengekodan, pengetahuan berbilang bahasa dan penulisan terbuka, dengan konteks asal 262,144 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Sorotan: kemas kini Instruct-2507 tetap
Qwen3-30B-A3B-Instruct-2507 ialah edisi tanpa pemikiran Qwen3-30B-A3B yang dikemas kini. Pembuat menekankan penambahbaikan pematuhan arahan, penaakulan logik, pemahaman teks, matematik, sains, pengekodan dan penggunaan alat, dengan pengetahuan lebih luas tentang topik yang jarang ditemui merentas pelbagai bahasa serta penjajaran lebih baik untuk tugas terbuka. Model menerima teks dan menghasilkan teks: jawapan, penerangan, cadangan kod atau artifak penulisan yang diminta.
Bezakan identiti 2507 tetap daripada Qwen3-30B-A3B hibrid asal, binaan FP8 dan edisi Thinking-2507. Penerangan pengetahuan berbilang bahasa model tidak memberikan jaminan bilangan bahasa berasingan untuk snapshot ini. Nyatakan bahasa sasaran, khalayak dan istilah yang patut kekal tidak berubah apabila tugas melibatkan terjemahan atau penulisan semula.
Gambaran model
Model campuran pakar mempunyai 30.5 bilion parameter keseluruhan dan mengaktifkan 3.3 bilion. Model mempunyai 48 lapisan, 128 pakar dan lapan pakar dipilih bagi setiap token. Konteks asalnya ialah 262,144 token. Parameter aktif bukan saiz keseluruhan titik semak, dan seni bina sahaja tidak menetapkan masa respons tetap dalam aplikasi.
Edisi ini menyokong mod tanpa pemikiran sahaja dan tidak menjana blok pemikiran yang jelas. Tetapan enable_thinking=False tidak diperlukan dalam resipi pembuat. Model masih boleh menunjukkan pengiraan atau menerangkan kod dalam teks biasa; permintaan langkah sokongan tidak menukarnya menjadi titik semak Thinking yang berasingan.
Menyediakan permintaan teks yang berguna
Untuk tugas pengekodan, berikan fungsi atau modul berkaitan, kekangan input, tingkah laku yang diperhatikan dan hasil yang diperlukan. Minta cadangan patch atau fungsi lengkap dengan penerangan andaian yang terjejas. Untuk soalan matematik atau sains, berikan pernyataan lengkap, unit dan definisi, kemudian minta jawapan akhir yang bersempadan jelas dan disokong syarat yang dibekalkan.
Untuk tugas penulisan terbuka, tentukan khalayak, tujuan, nada dan maklumat yang mesti muncul. Respons berguna boleh berupa draf boleh disunting yang disusun mengikut bahagian diminta, dengan andaian tidak disokong dikenal pasti secara berasingan. Bandingkan draf, pengiraan atau cadangan kod yang dikembalikan dengan fakta, definisi dan keperluan yang dibekalkan.
Penggunaan ejen
Qwen mendokumenkan panggilan alat dan mengesyorkan Qwen-Agent untuk templat serta penghuraian, dengan alat yang dikonfigurasi atau disambungkan melalui MCP. Nyatakan tindakan yang dibenarkan dan syarat penyelesaian yang boleh diperhatikan. Alat bersambung melaksanakan operasi luaran dan mengembalikan pemerhatian; model boleh menggunakan maklum balas itu dalam jawapan kemudian. Cadangan arahan atau dakwaan sumber telah diperoleh perlu berbeza daripada hasil yang benar-benar dikembalikan oleh aliran kerja.
Artifak akhir yang jelas boleh berupa cadangan kod, jadual bukti atau laporan ringkas. Sokongan alat tidak dengan sendirinya mencipta akses kepada sumber semasa, fail atau persekitaran pelaksanaan melalui setiap antara muka. Kekalkan kontrak respons tanpa pemikiran model tepat, bukannya mengimport suis prom model hibrid atau peruntukan output edisi Thinking.
Memproses teks amat panjang
Pembuat mendokumenkan aliran kerja pilihan yang mencapai kira-kira satu juta token melalui Dual Chunk Attention dan perhatian jarang MInference. Yang pertama membahagikan urutan panjang kepada bahagian boleh diurus sambil mengekalkan interaksi merentas bahagian; yang kedua memfokuskan pengiraan kepada hubungan perhatian terpilih. Ini ialah laluan konfigurasi tambahan melangkaui konteks asal 262,144, menggunakan konfigurasi konteks panjang khas.
Resipi menganggarkan kira-kira 240 GB jumlah memori GPU untuk pemberat model, keadaan urutan yang dicache dan pengaktifan puncak. Ia turut menerangkan kegagalan kapasiti dengan punca yang berasingan: cache urutan, memori pengaktifan atau input yang melebihi panjang terkonfigurasi. Oleh itu, aliran kerja sejuta token bergantung pada konfigurasi serta sumber; angka utama tidak patut dianggap sebagai lalai tanpa syarat.
Sediakan input panjang dengan sempadan dokumen, nama bahagian atau pengecam kod dan soalan konkrit. Sediakan ruang untuk jawapan dan minta bukti yang menyokong setiap kesimpulan.
Cadangan penjanaan
Amalan terbaik mengesyorkan temperature 0.7, top_p 0.8, top_k 20 dan min_p 0. Jika disokong, presence penalty antara sifar dan dua boleh mengurangkan teks berulang, manakala nilai lebih tinggi mungkin mencampurkan bahasa atau sedikit menurunkan kualiti. Pembuat mengesyorkan peruntukan output 16,384 token untuk kebanyakan pertanyaan, bukannya bajet lebih panjang yang didokumenkan untuk Thinking-2507. Ini ialah cadangan, bukan had keras output yang ditetapkan secara bebas.
Nyatakan format akhir secara jelas, seperti pembatas matematik atau medan jawapan. Input model yang didokumenkan ialah teks, maka bukti visual atau audio memerlukan perwakilan berasingan yang sesuai sebelum aliran ini. Semak pengiraan, petikan dan kod yang dijana terhadap sumber. Hasil berguna ialah artifak teks lengkap yang boleh disemak, dengan identiti Instruct-2507 tetap, mod tanpa pemikiran serta prosedur konteks panjang bersyaratnya kekal jelas.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3-30b-a3b-instruct-2507 | 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 $0.0008 / 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 $0.0008 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen/qwen3-30b-a3b-instruct-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-30b-a3b-instruct-2507', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-30b-a3b-instruct-2507', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/qwen3-30b-a3b-instruct-2507
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Draft a bounded project brief\n\nWrite a one-page-style brief in at most 170 words for a library's room-booking page. Facts: two rooms, maximum two-hour bookings, no recurring reservations, and a staff review for groups larger than eight. Use sections Goal, User steps, Rules and Open question. Include no payment features or assumed room capacities beyond the stated review threshold.An editable four-section project brief preserving the booking rules and one genuinely unanswered design question.The group-size threshold triggers staff review rather than being invented as an absolute room-capacity limit.