Qwen3-30B-A3B menggabungkan dua gaya respons dalam satu model teks: pemikiran untuk masalah logik, matematik dan pengaturcaraan yang kompleks, serta tanpa pemikiran untuk dialog mudah. Qwen turut menekankan penulisan kreatif, perbualan berasaskan peranan, pematuhan arahan dan integrasi alat luaran. Keluarga Qwen3 asal menyokong 119 bahasa dan dialek, menjadikan model berguna untuk soalan berbilang bahasa, terjemahan dan perbualan yang bahasa dimintanya boleh berubah antara giliran. Nyatakan bahasa output, kekalkan istilah yang perlu tidak berubah dan terangkan keperluan pembaca.
Ini ialah edisi campuran pakar Qwen3-30B-A3B asal. Sejumlah 30.5 bilion parameternya merangkumi 3.3 bilion yang diaktifkan bagi setiap token; lapan daripada 128 pakar dipilih dalam lapisan pakar model. Seni bina jarang ialah perbezaan bermakna daripada model padat Qwen3. Profil ini berkaitan dengan model hibrid asal yang konteks asalnya 32,768 token, bukannya edisi Instruct-2507 atau Thinking-2507 lebih baharu yang dinamakan secara berasingan. Untuk taklimat analisis, berikan kod atau petikan sumber berkaitan, soalan untuk diselesaikan dan syarat yang mesti dipenuhi oleh jawapan sah.
Dalam templat sembang rasmi, pemikiran diaktifkan secara lalai. Suis keras enable_thinking boleh melumpuhkannya sepenuhnya. Apabila pemikiran kekal aktif, /think dan /no_think dalam arahan pengguna atau sistem bertindak sebagai suis lembut, dan arahan terkini mengawal tingkah laku yang diminta merentas giliran. Permintaan /no_think dengan templat aktif masih boleh menghasilkan blok pemikiran kosong; apabila suis keras dilumpuhkan, kedua-dua penanda tidak mengaktifkan pemikiran. Perbezaan ini penting apabila aliran kerja berselang antara penulisan semula segera dan soalan penyahpepijatan atau penaakulan yang lebih mendalam.
Contoh Qwen memisahkan bahagian <think> daripada respons akhir. Untuk masalah pengekodan, sediakan petikan sumber relevan yang paling kecil, kegagalan yang diperhatikan dan hasil yang dikehendaki, kemudian minta diagnosis serta cadangan pembetulan. Untuk matematik, pengeluar mengesyorkan arahan langkah demi langkah yang jelas dengan jawapan akhir dalam \\boxed{}. Taklimat pelbagai pilihan boleh menentukan satu medan jawapan sebagai ganti. Dalam giliran perbualan kemudian, Qwen mengesyorkan mengekalkan jawapan akhir dalam sejarah tanpa menyertakan kandungan pemikiran terdahulu, bukannya berulang kali membawa seluruh bahagian penaakulan ke hadapan.
Panggilan alat diterangkan untuk kedua-dua mod. Qwen mengesyorkan Qwen-Agent bagi mengendalikan templat alat dan penghuraian model, dengan contoh perolehan maklumat, maklumat masa dan pentafsir kod. Terangkan alat tersedia dan argumennya sebelum meminta perancangan urutan. Taklimat berguna mungkin meminta semakan dokumentasi terpilih diikuti cadangan pelaksanaan beralasan; kembalikan setiap hasil alat ke perbualan supaya model boleh meneruskan daripada bukti sebenar. Permintaan alat teks dan hasil yang dilaksanakan aplikasi kekal sebagai bahagian berasingan dalam aliran kerja itu.
Kad menerangkan peluasan konteks hingga 131,072 token menggunakan YaRN. Ini ialah peluasan tetingkap asal yang bergantung pada konfigurasi, dan Qwen memberi amaran bahawa penskalaan statik boleh mempengaruhi input lebih pendek. Kad turut menerangkan konfigurasi lalai 40,960 kedudukan yang memperuntukkan ruang untuk prom biasa dan respons panjang; ini berbeza daripada penerangan konteks asalnya. Sediakan bahan panjang dengan sempadan dokumen jelas, utamakan bahagian relevan dengan soalan dan sediakan ruang untuk jawapan serta penaakulan.
Untuk pemikiran, Qwen mengesyorkan temperature 0.6, top-p 0.95, top-k 20 dan min-p 0 serta menasihatkan supaya mengelakkan penyahkodan tamak kerana boleh merosotkan hasil atau mengulang tanpa henti. Untuk tanpa pemikiran, panduannya mengubah temperature kepada 0.7 dan top-p kepada 0.8. Ia mengesyorkan peruntukan output 32,768 token untuk kebanyakan pertanyaan dan menerangkan 38,912 token bagi masalah matematik dan pengaturcaraan yang amat mencabar. Ini ialah tetapan penjanaan pengeluar, bukannya jaminan respons tetap yang berasingan. Pilih mod dan hasil yang diminta bersama supaya respons mempunyai ruang untuk penaakulan yang diperlukan serta hasil akhir yang berguna.
", "aboutText": "Qwen3-30B-A3B menggabungkan dua gaya respons dalam satu model teks: pemikiran untuk masalah logik, matematik dan pengaturcaraan yang kompleks, serta tanpa pemikiran untuk dialog mudah. Qwen turut menekankan penulisan kreatif, perbualan berasaskan peranan, pematuhan arahan dan integrasi alat luaran. Keluarga Qwen3 asal menyokong 119 bahasa dan dialek, menjadikan model berguna untuk soalan berbilang bahasa, terjemahan dan perbualan yang bahasa dimintanya boleh berubah antara giliran. Nyatakan bahasa output, kekalkan istilah yang perlu tidak berubah dan terangkan keperluan pembaca.\n\nIni ialah edisi campuran pakar Qwen3-30B-A3B asal. Sejumlah 30.5 bilion parameternya merangkumi 3.3 bilion yang diaktifkan bagi setiap token; lapan daripada 128 pakar dipilih dalam lapisan pakar model. Seni bina jarang ialah perbezaan bermakna daripada model padat Qwen3. Profil ini berkaitan dengan model hibrid asal yang konteks asalnya 32,768 token, bukannya edisi Instruct-2507 atau Thinking-2507 lebih baharu yang dinamakan secara berasingan. Untuk taklimat analisis, berikan kod atau petikan sumber berkaitan, soalan untuk diselesaikan dan syarat yang mesti dipenuhi oleh jawapan sah.\n\nDalam templat sembang rasmi, pemikiran diaktifkan secara lalai. Suis keras enable_thinking boleh melumpuhkannya sepenuhnya. Apabila pemikiran kekal aktif, /think dan /no_think dalam arahan pengguna atau sistem bertindak sebagai suis lembut, dan arahan terkini mengawal tingkah laku yang diminta merentas giliran. Permintaan /no_think dengan templat aktif masih boleh menghasilkan blok pemikiran kosong; apabila suis keras dilumpuhkan, kedua-dua penanda tidak mengaktifkan pemikiran. Perbezaan ini penting apabila aliran kerja berselang antara penulisan semula segera dan soalan penyahpepijatan atau penaakulan yang lebih mendalam.\n\nContoh Qwen memisahkan bahagianContoh teknikal dalam bahasa Inggeris
Explain a weighted-average mistake\n\nA student averages two class scores as (80 + 90) / 2. The first class has 10 students and the second has 30. Explain why that calculation does not give the combined student average, derive the correct weighted expression and state when the simple average would be valid. Finish with the combined average in a separate final line.A short explanation, a weighted formula, its evaluated result and the equal-weight condition.The explanation uses student counts as weights and distinguishes a class average from a student average.qwen/qwen3-30b-a3bQwen3-30B-A3B ialah model teks campuran pakar Qwen dengan mod pemikiran dan tanpa pemikiran untuk penaakulan, pengekodan dan perbualan berbilang bahasa. Model mempunyai 30.5 bilion parameter keseluruhan, 3.3 bilion aktif bagi setiap token dan konteks asal 32,768 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen3-30B-A3B menggabungkan dua gaya respons dalam satu model teks: pemikiran untuk masalah logik, matematik dan pengaturcaraan yang kompleks, serta tanpa pemikiran untuk dialog mudah. Qwen turut menekankan penulisan kreatif, perbualan berasaskan peranan, pematuhan arahan dan integrasi alat luaran. Keluarga Qwen3 asal menyokong 119 bahasa dan dialek, menjadikan model berguna untuk soalan berbilang bahasa, terjemahan dan perbualan yang bahasa dimintanya boleh berubah antara giliran. Nyatakan bahasa output, kekalkan istilah yang perlu tidak berubah dan terangkan keperluan pembaca.
Ini ialah edisi campuran pakar Qwen3-30B-A3B asal. Sejumlah 30.5 bilion parameternya merangkumi 3.3 bilion yang diaktifkan bagi setiap token; lapan daripada 128 pakar dipilih dalam lapisan pakar model. Seni bina jarang ialah perbezaan bermakna daripada model padat Qwen3. Profil ini berkaitan dengan model hibrid asal yang konteks asalnya 32,768 token, bukannya edisi Instruct-2507 atau Thinking-2507 lebih baharu yang dinamakan secara berasingan. Untuk taklimat analisis, berikan kod atau petikan sumber berkaitan, soalan untuk diselesaikan dan syarat yang mesti dipenuhi oleh jawapan sah.
Dalam templat sembang rasmi, pemikiran diaktifkan secara lalai. Suis keras enable_thinking boleh melumpuhkannya sepenuhnya. Apabila pemikiran kekal aktif, /think dan /no_think dalam arahan pengguna atau sistem bertindak sebagai suis lembut, dan arahan terkini mengawal tingkah laku yang diminta merentas giliran. Permintaan /no_think dengan templat aktif masih boleh menghasilkan blok pemikiran kosong; apabila suis keras dilumpuhkan, kedua-dua penanda tidak mengaktifkan pemikiran. Perbezaan ini penting apabila aliran kerja berselang antara penulisan semula segera dan soalan penyahpepijatan atau penaakulan yang lebih mendalam.
Contoh Qwen memisahkan bahagian <think> daripada respons akhir. Untuk masalah pengekodan, sediakan petikan sumber relevan yang paling kecil, kegagalan yang diperhatikan dan hasil yang dikehendaki, kemudian minta diagnosis serta cadangan pembetulan. Untuk matematik, pengeluar mengesyorkan arahan langkah demi langkah yang jelas dengan jawapan akhir dalam \\boxed{}. Taklimat pelbagai pilihan boleh menentukan satu medan jawapan sebagai ganti. Dalam giliran perbualan kemudian, Qwen mengesyorkan mengekalkan jawapan akhir dalam sejarah tanpa menyertakan kandungan pemikiran terdahulu, bukannya berulang kali membawa seluruh bahagian penaakulan ke hadapan.
Panggilan alat diterangkan untuk kedua-dua mod. Qwen mengesyorkan Qwen-Agent bagi mengendalikan templat alat dan penghuraian model, dengan contoh perolehan maklumat, maklumat masa dan pentafsir kod. Terangkan alat tersedia dan argumennya sebelum meminta perancangan urutan. Taklimat berguna mungkin meminta semakan dokumentasi terpilih diikuti cadangan pelaksanaan beralasan; kembalikan setiap hasil alat ke perbualan supaya model boleh meneruskan daripada bukti sebenar. Permintaan alat teks dan hasil yang dilaksanakan aplikasi kekal sebagai bahagian berasingan dalam aliran kerja itu.
Kad menerangkan peluasan konteks hingga 131,072 token menggunakan YaRN. Ini ialah peluasan tetingkap asal yang bergantung pada konfigurasi, dan Qwen memberi amaran bahawa penskalaan statik boleh mempengaruhi input lebih pendek. Kad turut menerangkan konfigurasi lalai 40,960 kedudukan yang memperuntukkan ruang untuk prom biasa dan respons panjang; ini berbeza daripada penerangan konteks asalnya. Sediakan bahan panjang dengan sempadan dokumen jelas, utamakan bahagian relevan dengan soalan dan sediakan ruang untuk jawapan serta penaakulan.
Untuk pemikiran, Qwen mengesyorkan temperature 0.6, top-p 0.95, top-k 20 dan min-p 0 serta menasihatkan supaya mengelakkan penyahkodan tamak kerana boleh merosotkan hasil atau mengulang tanpa henti. Untuk tanpa pemikiran, panduannya mengubah temperature kepada 0.7 dan top-p kepada 0.8. Ia mengesyorkan peruntukan output 32,768 token untuk kebanyakan pertanyaan dan menerangkan 38,912 token bagi masalah matematik dan pengaturcaraan yang amat mencabar. Ini ialah tetapan penjanaan pengeluar, bukannya jaminan respons tetap yang berasingan. Pilih mod dan hasil yang diminta bersama supaya respons mempunyai ruang untuk penaakulan yang diperlukan serta hasil akhir yang berguna.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3-30b-a3b | 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 $0.00024 / 1K token Output · Token output $0.001 / 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 $0.00024 / 1K token Output · Token output $0.001 / 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", "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',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',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
Gunakan laluan kaedah yang dipaparkan di atas.
qwen/qwen3-30b-a3bQwen3-30B-A3B ialah model teks campuran pakar Qwen dengan mod pemikiran dan tanpa pemikiran untuk penaakulan, pengekodan dan perbualan berbilang bahasa. Model mempunyai 30.5 bilion parameter keseluruhan, 3.3 bilion aktif bagi setiap token dan konteks asal 32,768 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen3-30B-A3B menggabungkan dua gaya respons dalam satu model teks: pemikiran untuk masalah logik, matematik dan pengaturcaraan yang kompleks, serta tanpa pemikiran untuk dialog mudah. Qwen turut menekankan penulisan kreatif, perbualan berasaskan peranan, pematuhan arahan dan integrasi alat luaran. Keluarga Qwen3 asal menyokong 119 bahasa dan dialek, menjadikan model berguna untuk soalan berbilang bahasa, terjemahan dan perbualan yang bahasa dimintanya boleh berubah antara giliran. Nyatakan bahasa output, kekalkan istilah yang perlu tidak berubah dan terangkan keperluan pembaca.
Ini ialah edisi campuran pakar Qwen3-30B-A3B asal. Sejumlah 30.5 bilion parameternya merangkumi 3.3 bilion yang diaktifkan bagi setiap token; lapan daripada 128 pakar dipilih dalam lapisan pakar model. Seni bina jarang ialah perbezaan bermakna daripada model padat Qwen3. Profil ini berkaitan dengan model hibrid asal yang konteks asalnya 32,768 token, bukannya edisi Instruct-2507 atau Thinking-2507 lebih baharu yang dinamakan secara berasingan. Untuk taklimat analisis, berikan kod atau petikan sumber berkaitan, soalan untuk diselesaikan dan syarat yang mesti dipenuhi oleh jawapan sah.
Dalam templat sembang rasmi, pemikiran diaktifkan secara lalai. Suis keras enable_thinking boleh melumpuhkannya sepenuhnya. Apabila pemikiran kekal aktif, /think dan /no_think dalam arahan pengguna atau sistem bertindak sebagai suis lembut, dan arahan terkini mengawal tingkah laku yang diminta merentas giliran. Permintaan /no_think dengan templat aktif masih boleh menghasilkan blok pemikiran kosong; apabila suis keras dilumpuhkan, kedua-dua penanda tidak mengaktifkan pemikiran. Perbezaan ini penting apabila aliran kerja berselang antara penulisan semula segera dan soalan penyahpepijatan atau penaakulan yang lebih mendalam.
Contoh Qwen memisahkan bahagian <think> daripada respons akhir. Untuk masalah pengekodan, sediakan petikan sumber relevan yang paling kecil, kegagalan yang diperhatikan dan hasil yang dikehendaki, kemudian minta diagnosis serta cadangan pembetulan. Untuk matematik, pengeluar mengesyorkan arahan langkah demi langkah yang jelas dengan jawapan akhir dalam \\boxed{}. Taklimat pelbagai pilihan boleh menentukan satu medan jawapan sebagai ganti. Dalam giliran perbualan kemudian, Qwen mengesyorkan mengekalkan jawapan akhir dalam sejarah tanpa menyertakan kandungan pemikiran terdahulu, bukannya berulang kali membawa seluruh bahagian penaakulan ke hadapan.
Panggilan alat diterangkan untuk kedua-dua mod. Qwen mengesyorkan Qwen-Agent bagi mengendalikan templat alat dan penghuraian model, dengan contoh perolehan maklumat, maklumat masa dan pentafsir kod. Terangkan alat tersedia dan argumennya sebelum meminta perancangan urutan. Taklimat berguna mungkin meminta semakan dokumentasi terpilih diikuti cadangan pelaksanaan beralasan; kembalikan setiap hasil alat ke perbualan supaya model boleh meneruskan daripada bukti sebenar. Permintaan alat teks dan hasil yang dilaksanakan aplikasi kekal sebagai bahagian berasingan dalam aliran kerja itu.
Kad menerangkan peluasan konteks hingga 131,072 token menggunakan YaRN. Ini ialah peluasan tetingkap asal yang bergantung pada konfigurasi, dan Qwen memberi amaran bahawa penskalaan statik boleh mempengaruhi input lebih pendek. Kad turut menerangkan konfigurasi lalai 40,960 kedudukan yang memperuntukkan ruang untuk prom biasa dan respons panjang; ini berbeza daripada penerangan konteks asalnya. Sediakan bahan panjang dengan sempadan dokumen jelas, utamakan bahagian relevan dengan soalan dan sediakan ruang untuk jawapan serta penaakulan.
Untuk pemikiran, Qwen mengesyorkan temperature 0.6, top-p 0.95, top-k 20 dan min-p 0 serta menasihatkan supaya mengelakkan penyahkodan tamak kerana boleh merosotkan hasil atau mengulang tanpa henti. Untuk tanpa pemikiran, panduannya mengubah temperature kepada 0.7 dan top-p kepada 0.8. Ia mengesyorkan peruntukan output 32,768 token untuk kebanyakan pertanyaan dan menerangkan 38,912 token bagi masalah matematik dan pengaturcaraan yang amat mencabar. Ini ialah tetapan penjanaan pengeluar, bukannya jaminan respons tetap yang berasingan. Pilih mod dan hasil yang diminta bersama supaya respons mempunyai ruang untuk penaakulan yang diperlukan serta hasil akhir yang berguna.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3-30b-a3b | 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 $0.00024 / 1K token Output · Token output $0.001 / 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 $0.00024 / 1K token Output · Token output $0.001 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen/qwen3-30b-a3b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Explain a weighted-average mistake\n\nA student averages two class scores as (80 + 90) / 2. The first class has 10 students and the second has 30. Explain why that calculation does not give the combined student average, derive the correct weighted expression and state when the simple average would be valid. Finish with the combined average in a separate final line.A short explanation, a weighted formula, its evaluated result and the equal-weight condition.The explanation uses student counts as weights and distinguishes a class average from a student average.