Sorotan: keluaran tetap Thinking-2507
Qwen3-30B-A3B-Thinking-2507 ialah model penjanaan teks yang menumpukan penaakulan sukar. Qwen menerangkan penambahbaikan dalam logik, matematik, sains, pengekodan, pematuhan arahan, penggunaan alat dan penjanaan teks, bersama urutan pemikiran yang lebih panjang serta pemahaman konteks panjang yang lebih kukuh. Pilih edisi tepat 2507 ini apabila tugas mendapat manfaat daripada penaakulan berterusan, seperti meneliti penjelasan yang bersaing, menyelesaikan masalah matematik berbilang peringkat atau menelusuri perubahan kod yang kompleks.
Gambaran keseluruhan dan mod model
Model campuran pakar ini mempunyai 30.5 bilion parameter keseluruhan dan 3.3 bilion parameter diaktifkan, dengan 128 pakar dan lapan dipilih bagi setiap token merentas 48 lapisan. Konteks natifnya ialah 262,144 token. Model ini menerima teks dan mengembalikan teks; hasil alat diberikan melalui aliran kerja aplikasi yang disambungkan. Checkpoint ini hanya menyokong mod berfikir. Ia berbeza daripada Qwen3-30B-A3B hibrid terdahulu, edisi FP8 dan Qwen3-30B-A3B-Instruct-2507. Suis tanpa berfikir model hibrid tidak patut dianggap terpakai di sini.
Templat sembang lalai sudah memulakan urutan penaakulan dengan penanda pembuka pemikiran, maka tetapan enable_thinking=True secara eksplisit tidak diperlukan. Urutan yang dikembalikan mungkin mengandungi penanda penutup tanpa mengulangi penanda pembuka. Contoh pembuat memisahkan penaakulan daripada jawapan akhir. Kekalkan perbezaan itu apabila meminta hasil konkrit: kesimpulan pembuktian, tampalan atau jadual keputusan sepatutnya mudah ditemui selepas penjelasan yang lebih panjang.
Menyediakan tugas yang sukar
Berikan pernyataan masalah lengkap, kekangan dan bukti yang berkaitan kepada model. Untuk perubahan kod, sertakan fungsi sedia ada, input yang gagal dan tingkah laku yang dijangka, kemudian minta cadangan tampalan dengan penjelasan kes pinggir. Untuk soalan saintifik, asingkan pemerhatian daripada andaian dan tanya kesimpulan yang terhasil daripada setiap satunya. Untuk dasar atau spesifikasi yang panjang, kekalkan pengecam bahagian dan minta keputusan ringkas yang disokong klausa berkaitan. Ini ialah penggunaan praktikal bidang penaakulan yang didokumenkan, bukannya dakwaan bahawa model telah melaksanakan tampalan atau mengesahkan eksperimen.
Oleh sebab versi ini boleh menaakul dengan panjang lebar, sediakan ruang untuk penaakulan serta artifak akhir. Qwen menyarankan supaya konteks melebihi 131,072 token dikekalkan jika boleh semasa mengkonfigurasi model, walaupun konteks lebih kecil dapat mengurangkan tekanan memori. Angka konteks natif merangkumi bajet urutan; ia bukan janji bahawa kesemuanya boleh digunakan untuk dokumen sambil meninggalkan ruang jawapan tanpa had.
Penggunaan ejen
Pembuat mendokumenkan panggilan alat dan mengesyorkan Qwen-Agent untuk templat alat dan penghuraian, termasuk penyepaduan dengan alat yang dikonfigurasi serta aliran kerja pentafsir kod. Tentukan alat dan hasil yang dikehendaki secara eksplisit. Sebagai contoh, aplikasi boleh membolehkan model memeriksa bukti yang diperoleh, menggunakan kalkulator yang dibenarkan, kemudian menghasilkan laporan yang menerangkan pengiraan. Pengambilan maklumat dan pelaksanaan merupakan tanggungjawab alat yang disambungkan; keupayaan panggilan alat model sendiri tidak membuktikan akses kepada internet, persekitaran kod atau sistem perniagaan.
Memproses teks amat panjang
Qwen mendokumenkan aliran kerja pilihan yang mencapai kira-kira satu juta token dengan menggabungkan Dual Chunk Attention dengan perhatian jarang MInference. Teknik pertama membahagikan urutan panjang kepada cebisan sambil mengekalkan interaksi antaranya; teknik kedua menumpukan pengiraan pada hubungan perhatian yang dipilih. Ini ialah laluan konfigurasi tambahan, di luar konteks natif 262,144 token. Resipi pembuat memerlukan konfigurasi konteks panjang khasnya dan menganggarkan kira-kira 240 GB jumlah memori GPU untuk pemberat, keadaan perhatian yang disimpan dalam cache dan pengaktifan puncak.
Resipi itu mempunyai had sumber yang konkrit: keadaan urutan yang disimpan dalam cache, memori pengaktifan dan jumlah panjang input masing-masing boleh menghabiskan kapasiti yang dikonfigurasi. Oleh itu, aliran kerja sejuta token bergantung pada konfigurasi, memori dan pelaksanaan perhatian yang disokong. Untuk semakan dokumen praktikal, mulakan dengan bahan yang berkaitan, tandakan sempadan dokumen dan minta bukti yang boleh dijejaki, bukannya menganggap input terbesar sebagai pengganti kepada soalan yang jelas.
Panduan dan had penjanaan
Qwen mengesyorkan temperature 0.6, top_p 0.95, top_k 20 dan min_p 0. Ia mencadangkan bajet output 32,768 token untuk kebanyakan pertanyaan dan 81,920 untuk masalah matematik atau pengaturcaraan yang luar biasa sukar. Ini ialah cadangan bajet penjanaan dan bukannya had mutlak output yang diterbitkan secara berasingan. Penalti kehadiran antara sifar dengan dua boleh mengurangkan pengulangan, tetapi nilai lebih tinggi mungkin mencampurkan bahasa atau sedikit menurunkan kualiti.
Nyatakan format jawapan akhir dalam prompt, seperti hasil matematik dengan pembatas atau medan jawapan untuk soalan aneka pilihan. Simpan hanya bahagian jawapan akhir dalam sejarah perbualan, seperti yang disyorkan pembuat. Penaakulan lebih panjang berguna apabila menghasilkan sesuatu yang boleh diperiksa; teliti andaian, pengiraan dan kod yang dicadangkan sebelum bergantung pada hasilnya.
", "aboutText": "Sorotan: keluaran tetap Thinking-2507\n\nQwen3-30B-A3B-Thinking-2507 ialah model penjanaan teks yang menumpukan penaakulan sukar. Qwen menerangkan penambahbaikan dalam logik, matematik, sains, pengekodan, pematuhan arahan, penggunaan alat dan penjanaan teks, bersama urutan pemikiran yang lebih panjang serta pemahaman konteks panjang yang lebih kukuh. Pilih edisi tepat 2507 ini apabila tugas mendapat manfaat daripada penaakulan berterusan, seperti meneliti penjelasan yang bersaing, menyelesaikan masalah matematik berbilang peringkat atau menelusuri perubahan kod yang kompleks.\n\nGambaran keseluruhan dan mod model\n\nModel campuran pakar ini mempunyai 30.5 bilion parameter keseluruhan dan 3.3 bilion parameter diaktifkan, dengan 128 pakar dan lapan dipilih bagi setiap token merentas 48 lapisan. Konteks natifnya ialah 262,144 token. Model ini menerima teks dan mengembalikan teks; hasil alat diberikan melalui aliran kerja aplikasi yang disambungkan. Checkpoint ini hanya menyokong mod berfikir. Ia berbeza daripada Qwen3-30B-A3B hibrid terdahulu, edisi FP8 dan Qwen3-30B-A3B-Instruct-2507. Suis tanpa berfikir model hibrid tidak patut dianggap terpakai di sini.\n\nTemplat sembang lalai sudah memulakan urutan penaakulan dengan penanda pembuka pemikiran, maka tetapan enable_thinking=True secara eksplisit tidak diperlukan. Urutan yang dikembalikan mungkin mengandungi penanda penutup tanpa mengulangi penanda pembuka. Contoh pembuat memisahkan penaakulan daripada jawapan akhir. Kekalkan perbezaan itu apabila meminta hasil konkrit: kesimpulan pembuktian, tampalan atau jadual keputusan sepatutnya mudah ditemui selepas penjelasan yang lebih panjang.\n\nMenyediakan tugas yang sukar\n\nBerikan pernyataan masalah lengkap, kekangan dan bukti yang berkaitan kepada model. Untuk perubahan kod, sertakan fungsi sedia ada, input yang gagal dan tingkah laku yang dijangka, kemudian minta cadangan tampalan dengan penjelasan kes pinggir. Untuk soalan saintifik, asingkan pemerhatian daripada andaian dan tanya kesimpulan yang terhasil daripada setiap satunya. Untuk dasar atau spesifikasi yang panjang, kekalkan pengecam bahagian dan minta keputusan ringkas yang disokong klausa berkaitan. Ini ialah penggunaan praktikal bidang penaakulan yang didokumenkan, bukannya dakwaan bahawa model telah melaksanakan tampalan atau mengesahkan eksperimen.\n\nOleh sebab versi ini boleh menaakul dengan panjang lebar, sediakan ruang untuk penaakulan serta artifak akhir. Qwen menyarankan supaya konteks melebihi 131,072 token dikekalkan jika boleh semasa mengkonfigurasi model, walaupun konteks lebih kecil dapat mengurangkan tekanan memori. Angka konteks natif merangkumi bajet urutan; ia bukan janji bahawa kesemuanya boleh digunakan untuk dokumen sambil meninggalkan ruang jawapan tanpa had.\n\nPenggunaan ejen\n\nPembuat mendokumenkan panggilan alat dan mengesyorkan Qwen-Agent untuk templat alat dan penghuraian, termasuk penyepaduan dengan alat yang dikonfigurasi serta aliran kerja pentafsir kod. Tentukan alat dan hasil yang dikehendaki secara eksplisit. Sebagai contoh, aplikasi boleh membolehkan model memeriksa bukti yang diperoleh, menggunakan kalkulator yang dibenarkan, kemudian menghasilkan laporan yang menerangkan pengiraan. Pengambilan maklumat dan pelaksanaan merupakan tanggungjawab alat yang disambungkan; keupayaan panggilan alat model sendiri tidak membuktikan akses kepada internet, persekitaran kod atau sistem perniagaan.\n\nMemproses teks amat panjang\n\nQwen mendokumenkan aliran kerja pilihan yang mencapai kira-kira satu juta token dengan menggabungkan Dual Chunk Attention dengan perhatian jarang MInference. Teknik pertama membahagikan urutan panjang kepada cebisan sambil mengekalkan interaksi antaranya; teknik kedua menumpukan pengiraan pada hubungan perhatian yang dipilih. Ini ialah laluan konfigurasi tambahan, di luar konteks natif 262,144 token. Resipi pembuat memerlukan konfigurasi konteks panjang khasnya dan menganggarkan kira-kira 240 GB jumlah memori GPU untuk pemberat, keadaan perhatian yang disimpan dalam cache dan pengaktifan puncak.\n\nResipi itu mempunyai had sumber yang konkrit: keadaan urutan yang disimpan dalam cache, memori pengaktifan dan jumlah panjang input masing-masing boleh menghabiskan kapasiti yang dikonfigurasi. Oleh itu, aliran kerja sejuta token bergantung pada konfigurasi, memori dan pelaksanaan perhatian yang disokong. Untuk semakan dokumen praktikal, mulakan dengan bahan yang berkaitan, tandakan sempadan dokumen dan minta bukti yang boleh dijejaki, bukannya menganggap input terbesar sebagai pengganti kepada soalan yang jelas.\n\nPanduan dan had penjanaan\n\nQwen mengesyorkan temperature 0.6, top_p 0.95, top_k 20 dan min_p 0. Ia mencadangkan bajet output 32,768 token untuk kebanyakan pertanyaan dan 81,920 untuk masalah matematik atau pengaturcaraan yang luar biasa sukar. Ini ialah cadangan bajet penjanaan dan bukannya had mutlak output yang diterbitkan secara berasingan. Penalti kehadiran antara sifar dengan dua boleh mengurangkan pengulangan, tetapi nilai lebih tinggi mungkin mencampurkan bahasa atau sedikit menurunkan kualiti.\n\nNyatakan format jawapan akhir dalam prompt, seperti hasil matematik dengan pembatas atau medan jawapan untuk soalan aneka pilihan. Simpan hanya bahagian jawapan akhir dalam sejarah perbualan, seperti yang disyorkan pembuat. Penaakulan lebih panjang berguna apabila menghasilkan sesuatu yang boleh diperiksa; teliti andaian, pengiraan dan kod yang dicadangkan sebelum bergantung pada hasilnya.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Solve a constrained staffing assignment\n\nAssign three reviewers, Ada, Ben and Cy, to morning, afternoon and evening shifts, one each. Ada cannot work evening. Ben must work later than Ada. Cy cannot work morning. List every valid assignment and explain how each constraint eliminates alternatives. Finish with whether the assignment is unique; do not assume additional availability.An enumeration of all valid assignments, a constraint check and a separate uniqueness conclusion.Every assignment uses all three shifts once and satisfies Ben later than Ada without adding availability rules.Qwen/Qwen3-30B-A3B-Thinking-2507Qwen3-30B-A3B-Thinking-2507 ialah model teks Qwen yang hanya menyokong mod berfikir, untuk matematik, sains, pengekodan dan penaakulan logik yang mencabar. Edisi tetap 2507 ini menyediakan konteks natif 262,144 token dan bajet penaakulan yang lebih panjang, dengan aliran kerja panggilan alat dan konteks amat panjang bersyarat yang didokumenkan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Sorotan: keluaran tetap Thinking-2507
Qwen3-30B-A3B-Thinking-2507 ialah model penjanaan teks yang menumpukan penaakulan sukar. Qwen menerangkan penambahbaikan dalam logik, matematik, sains, pengekodan, pematuhan arahan, penggunaan alat dan penjanaan teks, bersama urutan pemikiran yang lebih panjang serta pemahaman konteks panjang yang lebih kukuh. Pilih edisi tepat 2507 ini apabila tugas mendapat manfaat daripada penaakulan berterusan, seperti meneliti penjelasan yang bersaing, menyelesaikan masalah matematik berbilang peringkat atau menelusuri perubahan kod yang kompleks.
Gambaran keseluruhan dan mod model
Model campuran pakar ini mempunyai 30.5 bilion parameter keseluruhan dan 3.3 bilion parameter diaktifkan, dengan 128 pakar dan lapan dipilih bagi setiap token merentas 48 lapisan. Konteks natifnya ialah 262,144 token. Model ini menerima teks dan mengembalikan teks; hasil alat diberikan melalui aliran kerja aplikasi yang disambungkan. Checkpoint ini hanya menyokong mod berfikir. Ia berbeza daripada Qwen3-30B-A3B hibrid terdahulu, edisi FP8 dan Qwen3-30B-A3B-Instruct-2507. Suis tanpa berfikir model hibrid tidak patut dianggap terpakai di sini.
Templat sembang lalai sudah memulakan urutan penaakulan dengan penanda pembuka pemikiran, maka tetapan enable_thinking=True secara eksplisit tidak diperlukan. Urutan yang dikembalikan mungkin mengandungi penanda penutup tanpa mengulangi penanda pembuka. Contoh pembuat memisahkan penaakulan daripada jawapan akhir. Kekalkan perbezaan itu apabila meminta hasil konkrit: kesimpulan pembuktian, tampalan atau jadual keputusan sepatutnya mudah ditemui selepas penjelasan yang lebih panjang.
Menyediakan tugas yang sukar
Berikan pernyataan masalah lengkap, kekangan dan bukti yang berkaitan kepada model. Untuk perubahan kod, sertakan fungsi sedia ada, input yang gagal dan tingkah laku yang dijangka, kemudian minta cadangan tampalan dengan penjelasan kes pinggir. Untuk soalan saintifik, asingkan pemerhatian daripada andaian dan tanya kesimpulan yang terhasil daripada setiap satunya. Untuk dasar atau spesifikasi yang panjang, kekalkan pengecam bahagian dan minta keputusan ringkas yang disokong klausa berkaitan. Ini ialah penggunaan praktikal bidang penaakulan yang didokumenkan, bukannya dakwaan bahawa model telah melaksanakan tampalan atau mengesahkan eksperimen.
Oleh sebab versi ini boleh menaakul dengan panjang lebar, sediakan ruang untuk penaakulan serta artifak akhir. Qwen menyarankan supaya konteks melebihi 131,072 token dikekalkan jika boleh semasa mengkonfigurasi model, walaupun konteks lebih kecil dapat mengurangkan tekanan memori. Angka konteks natif merangkumi bajet urutan; ia bukan janji bahawa kesemuanya boleh digunakan untuk dokumen sambil meninggalkan ruang jawapan tanpa had.
Penggunaan ejen
Pembuat mendokumenkan panggilan alat dan mengesyorkan Qwen-Agent untuk templat alat dan penghuraian, termasuk penyepaduan dengan alat yang dikonfigurasi serta aliran kerja pentafsir kod. Tentukan alat dan hasil yang dikehendaki secara eksplisit. Sebagai contoh, aplikasi boleh membolehkan model memeriksa bukti yang diperoleh, menggunakan kalkulator yang dibenarkan, kemudian menghasilkan laporan yang menerangkan pengiraan. Pengambilan maklumat dan pelaksanaan merupakan tanggungjawab alat yang disambungkan; keupayaan panggilan alat model sendiri tidak membuktikan akses kepada internet, persekitaran kod atau sistem perniagaan.
Memproses teks amat panjang
Qwen mendokumenkan aliran kerja pilihan yang mencapai kira-kira satu juta token dengan menggabungkan Dual Chunk Attention dengan perhatian jarang MInference. Teknik pertama membahagikan urutan panjang kepada cebisan sambil mengekalkan interaksi antaranya; teknik kedua menumpukan pengiraan pada hubungan perhatian yang dipilih. Ini ialah laluan konfigurasi tambahan, di luar konteks natif 262,144 token. Resipi pembuat memerlukan konfigurasi konteks panjang khasnya dan menganggarkan kira-kira 240 GB jumlah memori GPU untuk pemberat, keadaan perhatian yang disimpan dalam cache dan pengaktifan puncak.
Resipi itu mempunyai had sumber yang konkrit: keadaan urutan yang disimpan dalam cache, memori pengaktifan dan jumlah panjang input masing-masing boleh menghabiskan kapasiti yang dikonfigurasi. Oleh itu, aliran kerja sejuta token bergantung pada konfigurasi, memori dan pelaksanaan perhatian yang disokong. Untuk semakan dokumen praktikal, mulakan dengan bahan yang berkaitan, tandakan sempadan dokumen dan minta bukti yang boleh dijejaki, bukannya menganggap input terbesar sebagai pengganti kepada soalan yang jelas.
Panduan dan had penjanaan
Qwen mengesyorkan temperature 0.6, top_p 0.95, top_k 20 dan min_p 0. Ia mencadangkan bajet output 32,768 token untuk kebanyakan pertanyaan dan 81,920 untuk masalah matematik atau pengaturcaraan yang luar biasa sukar. Ini ialah cadangan bajet penjanaan dan bukannya had mutlak output yang diterbitkan secara berasingan. Penalti kehadiran antara sifar dengan dua boleh mengurangkan pengulangan, tetapi nilai lebih tinggi mungkin mencampurkan bahasa atau sedikit menurunkan kualiti.
Nyatakan format jawapan akhir dalam prompt, seperti hasil matematik dengan pembatas atau medan jawapan untuk soalan aneka pilihan. Simpan hanya bahagian jawapan akhir dalam sejarah perbualan, seperti yang disyorkan pembuat. Penaakulan lebih panjang berguna apabila menghasilkan sesuatu yang boleh diperiksa; teliti andaian, pengiraan dan kod yang dicadangkan sebelum bergantung pada hasilnya.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had Qwen/Qwen3-30B-A3B-Thinking-2507 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Perbualan teks | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
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 |
Parametercontrol_scope | KontrakPerbualan teks; stream ialah nilai boolean dengan false sebagai lalai. |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Alias kaedah: /chat/completions
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 $0.0002 / 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-Thinking-2507","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="Qwen/Qwen3-30B-A3B-Thinking-2507", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 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-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
Qwen/Qwen3-30B-A3B-Thinking-2507Qwen3-30B-A3B-Thinking-2507 ialah model teks Qwen yang hanya menyokong mod berfikir, untuk matematik, sains, pengekodan dan penaakulan logik yang mencabar. Edisi tetap 2507 ini menyediakan konteks natif 262,144 token dan bajet penaakulan yang lebih panjang, dengan aliran kerja panggilan alat dan konteks amat panjang bersyarat yang didokumenkan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Sorotan: keluaran tetap Thinking-2507
Qwen3-30B-A3B-Thinking-2507 ialah model penjanaan teks yang menumpukan penaakulan sukar. Qwen menerangkan penambahbaikan dalam logik, matematik, sains, pengekodan, pematuhan arahan, penggunaan alat dan penjanaan teks, bersama urutan pemikiran yang lebih panjang serta pemahaman konteks panjang yang lebih kukuh. Pilih edisi tepat 2507 ini apabila tugas mendapat manfaat daripada penaakulan berterusan, seperti meneliti penjelasan yang bersaing, menyelesaikan masalah matematik berbilang peringkat atau menelusuri perubahan kod yang kompleks.
Gambaran keseluruhan dan mod model
Model campuran pakar ini mempunyai 30.5 bilion parameter keseluruhan dan 3.3 bilion parameter diaktifkan, dengan 128 pakar dan lapan dipilih bagi setiap token merentas 48 lapisan. Konteks natifnya ialah 262,144 token. Model ini menerima teks dan mengembalikan teks; hasil alat diberikan melalui aliran kerja aplikasi yang disambungkan. Checkpoint ini hanya menyokong mod berfikir. Ia berbeza daripada Qwen3-30B-A3B hibrid terdahulu, edisi FP8 dan Qwen3-30B-A3B-Instruct-2507. Suis tanpa berfikir model hibrid tidak patut dianggap terpakai di sini.
Templat sembang lalai sudah memulakan urutan penaakulan dengan penanda pembuka pemikiran, maka tetapan enable_thinking=True secara eksplisit tidak diperlukan. Urutan yang dikembalikan mungkin mengandungi penanda penutup tanpa mengulangi penanda pembuka. Contoh pembuat memisahkan penaakulan daripada jawapan akhir. Kekalkan perbezaan itu apabila meminta hasil konkrit: kesimpulan pembuktian, tampalan atau jadual keputusan sepatutnya mudah ditemui selepas penjelasan yang lebih panjang.
Menyediakan tugas yang sukar
Berikan pernyataan masalah lengkap, kekangan dan bukti yang berkaitan kepada model. Untuk perubahan kod, sertakan fungsi sedia ada, input yang gagal dan tingkah laku yang dijangka, kemudian minta cadangan tampalan dengan penjelasan kes pinggir. Untuk soalan saintifik, asingkan pemerhatian daripada andaian dan tanya kesimpulan yang terhasil daripada setiap satunya. Untuk dasar atau spesifikasi yang panjang, kekalkan pengecam bahagian dan minta keputusan ringkas yang disokong klausa berkaitan. Ini ialah penggunaan praktikal bidang penaakulan yang didokumenkan, bukannya dakwaan bahawa model telah melaksanakan tampalan atau mengesahkan eksperimen.
Oleh sebab versi ini boleh menaakul dengan panjang lebar, sediakan ruang untuk penaakulan serta artifak akhir. Qwen menyarankan supaya konteks melebihi 131,072 token dikekalkan jika boleh semasa mengkonfigurasi model, walaupun konteks lebih kecil dapat mengurangkan tekanan memori. Angka konteks natif merangkumi bajet urutan; ia bukan janji bahawa kesemuanya boleh digunakan untuk dokumen sambil meninggalkan ruang jawapan tanpa had.
Penggunaan ejen
Pembuat mendokumenkan panggilan alat dan mengesyorkan Qwen-Agent untuk templat alat dan penghuraian, termasuk penyepaduan dengan alat yang dikonfigurasi serta aliran kerja pentafsir kod. Tentukan alat dan hasil yang dikehendaki secara eksplisit. Sebagai contoh, aplikasi boleh membolehkan model memeriksa bukti yang diperoleh, menggunakan kalkulator yang dibenarkan, kemudian menghasilkan laporan yang menerangkan pengiraan. Pengambilan maklumat dan pelaksanaan merupakan tanggungjawab alat yang disambungkan; keupayaan panggilan alat model sendiri tidak membuktikan akses kepada internet, persekitaran kod atau sistem perniagaan.
Memproses teks amat panjang
Qwen mendokumenkan aliran kerja pilihan yang mencapai kira-kira satu juta token dengan menggabungkan Dual Chunk Attention dengan perhatian jarang MInference. Teknik pertama membahagikan urutan panjang kepada cebisan sambil mengekalkan interaksi antaranya; teknik kedua menumpukan pengiraan pada hubungan perhatian yang dipilih. Ini ialah laluan konfigurasi tambahan, di luar konteks natif 262,144 token. Resipi pembuat memerlukan konfigurasi konteks panjang khasnya dan menganggarkan kira-kira 240 GB jumlah memori GPU untuk pemberat, keadaan perhatian yang disimpan dalam cache dan pengaktifan puncak.
Resipi itu mempunyai had sumber yang konkrit: keadaan urutan yang disimpan dalam cache, memori pengaktifan dan jumlah panjang input masing-masing boleh menghabiskan kapasiti yang dikonfigurasi. Oleh itu, aliran kerja sejuta token bergantung pada konfigurasi, memori dan pelaksanaan perhatian yang disokong. Untuk semakan dokumen praktikal, mulakan dengan bahan yang berkaitan, tandakan sempadan dokumen dan minta bukti yang boleh dijejaki, bukannya menganggap input terbesar sebagai pengganti kepada soalan yang jelas.
Panduan dan had penjanaan
Qwen mengesyorkan temperature 0.6, top_p 0.95, top_k 20 dan min_p 0. Ia mencadangkan bajet output 32,768 token untuk kebanyakan pertanyaan dan 81,920 untuk masalah matematik atau pengaturcaraan yang luar biasa sukar. Ini ialah cadangan bajet penjanaan dan bukannya had mutlak output yang diterbitkan secara berasingan. Penalti kehadiran antara sifar dengan dua boleh mengurangkan pengulangan, tetapi nilai lebih tinggi mungkin mencampurkan bahasa atau sedikit menurunkan kualiti.
Nyatakan format jawapan akhir dalam prompt, seperti hasil matematik dengan pembatas atau medan jawapan untuk soalan aneka pilihan. Simpan hanya bahagian jawapan akhir dalam sejarah perbualan, seperti yang disyorkan pembuat. Penaakulan lebih panjang berguna apabila menghasilkan sesuatu yang boleh diperiksa; teliti andaian, pengiraan dan kod yang dicadangkan sebelum bergantung pada hasilnya.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had Qwen/Qwen3-30B-A3B-Thinking-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.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.0002 / 1K token Output · Token output $0.0008 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "Qwen/Qwen3-30B-A3B-Thinking-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen3-30B-A3B-Thinking-2507', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'Qwen/Qwen3-30B-A3B-Thinking-2507', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
qwen3-30b-a3b-thinking-2507Qwen3-30B-A3B-Thinking-2507 ialah model teks Qwen yang hanya menyokong mod berfikir, untuk matematik, sains, pengekodan dan penaakulan logik yang mencabar. Edisi tetap 2507 ini menyediakan konteks natif 262,144 token dan bajet penaakulan yang lebih panjang, dengan aliran kerja panggilan alat dan konteks amat panjang bersyarat yang didokumenkan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Sorotan: keluaran tetap Thinking-2507
Qwen3-30B-A3B-Thinking-2507 ialah model penjanaan teks yang menumpukan penaakulan sukar. Qwen menerangkan penambahbaikan dalam logik, matematik, sains, pengekodan, pematuhan arahan, penggunaan alat dan penjanaan teks, bersama urutan pemikiran yang lebih panjang serta pemahaman konteks panjang yang lebih kukuh. Pilih edisi tepat 2507 ini apabila tugas mendapat manfaat daripada penaakulan berterusan, seperti meneliti penjelasan yang bersaing, menyelesaikan masalah matematik berbilang peringkat atau menelusuri perubahan kod yang kompleks.
Gambaran keseluruhan dan mod model
Model campuran pakar ini mempunyai 30.5 bilion parameter keseluruhan dan 3.3 bilion parameter diaktifkan, dengan 128 pakar dan lapan dipilih bagi setiap token merentas 48 lapisan. Konteks natifnya ialah 262,144 token. Model ini menerima teks dan mengembalikan teks; hasil alat diberikan melalui aliran kerja aplikasi yang disambungkan. Checkpoint ini hanya menyokong mod berfikir. Ia berbeza daripada Qwen3-30B-A3B hibrid terdahulu, edisi FP8 dan Qwen3-30B-A3B-Instruct-2507. Suis tanpa berfikir model hibrid tidak patut dianggap terpakai di sini.
Templat sembang lalai sudah memulakan urutan penaakulan dengan penanda pembuka pemikiran, maka tetapan enable_thinking=True secara eksplisit tidak diperlukan. Urutan yang dikembalikan mungkin mengandungi penanda penutup tanpa mengulangi penanda pembuka. Contoh pembuat memisahkan penaakulan daripada jawapan akhir. Kekalkan perbezaan itu apabila meminta hasil konkrit: kesimpulan pembuktian, tampalan atau jadual keputusan sepatutnya mudah ditemui selepas penjelasan yang lebih panjang.
Menyediakan tugas yang sukar
Berikan pernyataan masalah lengkap, kekangan dan bukti yang berkaitan kepada model. Untuk perubahan kod, sertakan fungsi sedia ada, input yang gagal dan tingkah laku yang dijangka, kemudian minta cadangan tampalan dengan penjelasan kes pinggir. Untuk soalan saintifik, asingkan pemerhatian daripada andaian dan tanya kesimpulan yang terhasil daripada setiap satunya. Untuk dasar atau spesifikasi yang panjang, kekalkan pengecam bahagian dan minta keputusan ringkas yang disokong klausa berkaitan. Ini ialah penggunaan praktikal bidang penaakulan yang didokumenkan, bukannya dakwaan bahawa model telah melaksanakan tampalan atau mengesahkan eksperimen.
Oleh sebab versi ini boleh menaakul dengan panjang lebar, sediakan ruang untuk penaakulan serta artifak akhir. Qwen menyarankan supaya konteks melebihi 131,072 token dikekalkan jika boleh semasa mengkonfigurasi model, walaupun konteks lebih kecil dapat mengurangkan tekanan memori. Angka konteks natif merangkumi bajet urutan; ia bukan janji bahawa kesemuanya boleh digunakan untuk dokumen sambil meninggalkan ruang jawapan tanpa had.
Penggunaan ejen
Pembuat mendokumenkan panggilan alat dan mengesyorkan Qwen-Agent untuk templat alat dan penghuraian, termasuk penyepaduan dengan alat yang dikonfigurasi serta aliran kerja pentafsir kod. Tentukan alat dan hasil yang dikehendaki secara eksplisit. Sebagai contoh, aplikasi boleh membolehkan model memeriksa bukti yang diperoleh, menggunakan kalkulator yang dibenarkan, kemudian menghasilkan laporan yang menerangkan pengiraan. Pengambilan maklumat dan pelaksanaan merupakan tanggungjawab alat yang disambungkan; keupayaan panggilan alat model sendiri tidak membuktikan akses kepada internet, persekitaran kod atau sistem perniagaan.
Memproses teks amat panjang
Qwen mendokumenkan aliran kerja pilihan yang mencapai kira-kira satu juta token dengan menggabungkan Dual Chunk Attention dengan perhatian jarang MInference. Teknik pertama membahagikan urutan panjang kepada cebisan sambil mengekalkan interaksi antaranya; teknik kedua menumpukan pengiraan pada hubungan perhatian yang dipilih. Ini ialah laluan konfigurasi tambahan, di luar konteks natif 262,144 token. Resipi pembuat memerlukan konfigurasi konteks panjang khasnya dan menganggarkan kira-kira 240 GB jumlah memori GPU untuk pemberat, keadaan perhatian yang disimpan dalam cache dan pengaktifan puncak.
Resipi itu mempunyai had sumber yang konkrit: keadaan urutan yang disimpan dalam cache, memori pengaktifan dan jumlah panjang input masing-masing boleh menghabiskan kapasiti yang dikonfigurasi. Oleh itu, aliran kerja sejuta token bergantung pada konfigurasi, memori dan pelaksanaan perhatian yang disokong. Untuk semakan dokumen praktikal, mulakan dengan bahan yang berkaitan, tandakan sempadan dokumen dan minta bukti yang boleh dijejaki, bukannya menganggap input terbesar sebagai pengganti kepada soalan yang jelas.
Panduan dan had penjanaan
Qwen mengesyorkan temperature 0.6, top_p 0.95, top_k 20 dan min_p 0. Ia mencadangkan bajet output 32,768 token untuk kebanyakan pertanyaan dan 81,920 untuk masalah matematik atau pengaturcaraan yang luar biasa sukar. Ini ialah cadangan bajet penjanaan dan bukannya had mutlak output yang diterbitkan secara berasingan. Penalti kehadiran antara sifar dengan dua boleh mengurangkan pengulangan, tetapi nilai lebih tinggi mungkin mencampurkan bahasa atau sedikit menurunkan kualiti.
Nyatakan format jawapan akhir dalam prompt, seperti hasil matematik dengan pembatas atau medan jawapan untuk soalan aneka pilihan. Simpan hanya bahagian jawapan akhir dalam sejarah perbualan, seperti yang disyorkan pembuat. Penaakulan lebih panjang berguna apabila menghasilkan sesuatu yang boleh diperiksa; teliti andaian, pengiraan dan kod yang dicadangkan sebelum bergantung pada hasilnya.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen3-30b-a3b-thinking-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.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | 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": "qwen3-30b-a3b-thinking-2507", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen3-30b-a3b-thinking-2507',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen3-30b-a3b-thinking-2507',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
qwen3-30b-a3b-thinking-2507Qwen3-30B-A3B-Thinking-2507 ialah model teks Qwen yang hanya menyokong mod berfikir, untuk matematik, sains, pengekodan dan penaakulan logik yang mencabar. Edisi tetap 2507 ini menyediakan konteks natif 262,144 token dan bajet penaakulan yang lebih panjang, dengan aliran kerja panggilan alat dan konteks amat panjang bersyarat yang didokumenkan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Sorotan: keluaran tetap Thinking-2507
Qwen3-30B-A3B-Thinking-2507 ialah model penjanaan teks yang menumpukan penaakulan sukar. Qwen menerangkan penambahbaikan dalam logik, matematik, sains, pengekodan, pematuhan arahan, penggunaan alat dan penjanaan teks, bersama urutan pemikiran yang lebih panjang serta pemahaman konteks panjang yang lebih kukuh. Pilih edisi tepat 2507 ini apabila tugas mendapat manfaat daripada penaakulan berterusan, seperti meneliti penjelasan yang bersaing, menyelesaikan masalah matematik berbilang peringkat atau menelusuri perubahan kod yang kompleks.
Gambaran keseluruhan dan mod model
Model campuran pakar ini mempunyai 30.5 bilion parameter keseluruhan dan 3.3 bilion parameter diaktifkan, dengan 128 pakar dan lapan dipilih bagi setiap token merentas 48 lapisan. Konteks natifnya ialah 262,144 token. Model ini menerima teks dan mengembalikan teks; hasil alat diberikan melalui aliran kerja aplikasi yang disambungkan. Checkpoint ini hanya menyokong mod berfikir. Ia berbeza daripada Qwen3-30B-A3B hibrid terdahulu, edisi FP8 dan Qwen3-30B-A3B-Instruct-2507. Suis tanpa berfikir model hibrid tidak patut dianggap terpakai di sini.
Templat sembang lalai sudah memulakan urutan penaakulan dengan penanda pembuka pemikiran, maka tetapan enable_thinking=True secara eksplisit tidak diperlukan. Urutan yang dikembalikan mungkin mengandungi penanda penutup tanpa mengulangi penanda pembuka. Contoh pembuat memisahkan penaakulan daripada jawapan akhir. Kekalkan perbezaan itu apabila meminta hasil konkrit: kesimpulan pembuktian, tampalan atau jadual keputusan sepatutnya mudah ditemui selepas penjelasan yang lebih panjang.
Menyediakan tugas yang sukar
Berikan pernyataan masalah lengkap, kekangan dan bukti yang berkaitan kepada model. Untuk perubahan kod, sertakan fungsi sedia ada, input yang gagal dan tingkah laku yang dijangka, kemudian minta cadangan tampalan dengan penjelasan kes pinggir. Untuk soalan saintifik, asingkan pemerhatian daripada andaian dan tanya kesimpulan yang terhasil daripada setiap satunya. Untuk dasar atau spesifikasi yang panjang, kekalkan pengecam bahagian dan minta keputusan ringkas yang disokong klausa berkaitan. Ini ialah penggunaan praktikal bidang penaakulan yang didokumenkan, bukannya dakwaan bahawa model telah melaksanakan tampalan atau mengesahkan eksperimen.
Oleh sebab versi ini boleh menaakul dengan panjang lebar, sediakan ruang untuk penaakulan serta artifak akhir. Qwen menyarankan supaya konteks melebihi 131,072 token dikekalkan jika boleh semasa mengkonfigurasi model, walaupun konteks lebih kecil dapat mengurangkan tekanan memori. Angka konteks natif merangkumi bajet urutan; ia bukan janji bahawa kesemuanya boleh digunakan untuk dokumen sambil meninggalkan ruang jawapan tanpa had.
Penggunaan ejen
Pembuat mendokumenkan panggilan alat dan mengesyorkan Qwen-Agent untuk templat alat dan penghuraian, termasuk penyepaduan dengan alat yang dikonfigurasi serta aliran kerja pentafsir kod. Tentukan alat dan hasil yang dikehendaki secara eksplisit. Sebagai contoh, aplikasi boleh membolehkan model memeriksa bukti yang diperoleh, menggunakan kalkulator yang dibenarkan, kemudian menghasilkan laporan yang menerangkan pengiraan. Pengambilan maklumat dan pelaksanaan merupakan tanggungjawab alat yang disambungkan; keupayaan panggilan alat model sendiri tidak membuktikan akses kepada internet, persekitaran kod atau sistem perniagaan.
Memproses teks amat panjang
Qwen mendokumenkan aliran kerja pilihan yang mencapai kira-kira satu juta token dengan menggabungkan Dual Chunk Attention dengan perhatian jarang MInference. Teknik pertama membahagikan urutan panjang kepada cebisan sambil mengekalkan interaksi antaranya; teknik kedua menumpukan pengiraan pada hubungan perhatian yang dipilih. Ini ialah laluan konfigurasi tambahan, di luar konteks natif 262,144 token. Resipi pembuat memerlukan konfigurasi konteks panjang khasnya dan menganggarkan kira-kira 240 GB jumlah memori GPU untuk pemberat, keadaan perhatian yang disimpan dalam cache dan pengaktifan puncak.
Resipi itu mempunyai had sumber yang konkrit: keadaan urutan yang disimpan dalam cache, memori pengaktifan dan jumlah panjang input masing-masing boleh menghabiskan kapasiti yang dikonfigurasi. Oleh itu, aliran kerja sejuta token bergantung pada konfigurasi, memori dan pelaksanaan perhatian yang disokong. Untuk semakan dokumen praktikal, mulakan dengan bahan yang berkaitan, tandakan sempadan dokumen dan minta bukti yang boleh dijejaki, bukannya menganggap input terbesar sebagai pengganti kepada soalan yang jelas.
Panduan dan had penjanaan
Qwen mengesyorkan temperature 0.6, top_p 0.95, top_k 20 dan min_p 0. Ia mencadangkan bajet output 32,768 token untuk kebanyakan pertanyaan dan 81,920 untuk masalah matematik atau pengaturcaraan yang luar biasa sukar. Ini ialah cadangan bajet penjanaan dan bukannya had mutlak output yang diterbitkan secara berasingan. Penalti kehadiran antara sifar dengan dua boleh mengurangkan pengulangan, tetapi nilai lebih tinggi mungkin mencampurkan bahasa atau sedikit menurunkan kualiti.
Nyatakan format jawapan akhir dalam prompt, seperti hasil matematik dengan pembatas atau medan jawapan untuk soalan aneka pilihan. Simpan hanya bahagian jawapan akhir dalam sejarah perbualan, seperti yang disyorkan pembuat. Penaakulan lebih panjang berguna apabila menghasilkan sesuatu yang boleh diperiksa; teliti andaian, pengiraan dan kod yang dicadangkan sebelum bergantung pada hasilnya.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen3-30b-a3b-thinking-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.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.0002 / 1K token Output · Token output $0.0008 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen3-30b-a3b-thinking-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3-30b-a3b-thinking-2507', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen3-30b-a3b-thinking-2507', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-Thinking-2507, qwen3-30b-a3b-thinking-2507
/chat/completions
Qwen/Qwen3-30B-A3B-Thinking-2507, qwen3-30b-a3b-thinking-2507
Contoh teknikal dalam bahasa Inggeris
Solve a constrained staffing assignment\n\nAssign three reviewers, Ada, Ben and Cy, to morning, afternoon and evening shifts, one each. Ada cannot work evening. Ben must work later than Ada. Cy cannot work morning. List every valid assignment and explain how each constraint eliminates alternatives. Finish with whether the assignment is unique; do not assume additional availability.An enumeration of all valid assignments, a constraint check and a separate uniqueness conclusion.Every assignment uses all three shifts once and satisfies Ben later than Ada without adding availability rules.