Qwen3-32B ialah model padat terbesar dalam keluaran Qwen3 asal. Model menggabungkan mod pemikiran keluarga untuk logik, matematik dan pengekodan kompleks dengan respons tanpa pemikiran untuk perbualan umum. Qwen turut menekankan penulisan kreatif, dialog berasaskan peranan, pematuhan arahan berbilang giliran dan penggunaan alat gaya ejen. Model memproses teks dan menjana teks; arahan berbilang bahasa serta terjemahan ialah sebahagian daripada sokongan keluarga asal untuk 119 bahasa dan dialek. Model boleh diberi taklimat untuk penerangan analitis, cadangan pengekodan atau karya penulisan yang ditentukan dengan teliti.
Edisi tepat mempunyai 32.8 bilion parameter keseluruhan merentasi 64 lapisan. Ini ialah model padat, berbeza daripada seni bina penghalaan pakar Qwen3-30B-A3B dan edisi Qwen3 lebih baharu yang dinamakan secara berasingan. Konteks asalnya ialah 32,768 token. Sediakan tugas mencabar dengan bukti, keperluan dan hasil yang dijangka bersama. Untuk semakan kejuruteraan, berikan penerangan komponen, kekangan antara muka dan isu untuk diselesaikan, kemudian minta cadangan yang mengenal pasti andaian, kebergantungan dan alternatif dengan menggunakan bahan yang dibekalkan sahaja jika sesuai.
Templat sembang pengeluar mengaktifkan pemikiran secara lalai dan mendedahkan suis keras enable_thinking. Pelumpuhan keras menghalang kandungan pemikiran sepenuhnya. Dengan pemikiran aktif, /think dan /no_think dalam arahan pengguna atau sistem memberikan kawalan lembut setiap giliran, dan arahan terkini menentukan tingkah laku yang diminta. Permintaan lembut tanpa pemikiran boleh meninggalkan blok pemikiran kosong; penanda /think tidak boleh mengatasi templat yang dilumpuhkan secara keras. Ini membolehkan model asal berselang antara permintaan draf langsung dan soalan yang mendapat manfaat daripada rantaian penaakulan panjang apabila kawalan yang ditetapkan digunakan.
Contoh penjanaan menghuraikan bahagian <think> secara berasingan daripada jawapan akhir. Qwen mengesyorkan penetapan format akhir jelas, seperti jawapan matematik dalam kotak atau satu medan jawapan bagi tugas pelbagai pilihan. Dalam analisis praktikal, nyatakan kesimpulan diminta dan bahan sokongan: contohnya, pilihan reka bentuk akhir diikuti kekangan yang dipenuhi serta isu yang masih terbuka. Kekalkan jawapan akhir, bukan kandungan pemikiran sebelumnya, dalam sejarah perbualan berikutnya menurut panduan pengeluar. Ini mengekalkan hasil yang diperlukan soalan kemudian tanpa membawa setiap langkah penaakulan ke hadapan.
Panggilan alat ialah sebahagian daripada profil model yang didokumenkan dalam kedua-dua mod. Qwen mengesyorkan Qwen-Agent untuk templat dan penghurai panggilan alat, serta menunjukkan perolehan maklumat, maklumat masa dan pentafsir kod. Tentukan alat dengan jelas, berikan makna argumen dan nyatakan perkara yang dianggap tugas selesai. Aliran berguna boleh meminta maklumat terpilih diperoleh, memberikan kandungan yang benar-benar dikembalikan dan kemudian meminta sintesis atau cadangan pelaksanaan. Panggilan yang diminta model dan pelaksanaan alat oleh aplikasi ialah peringkat berasingan; jawapan akhir perlu dibina atas bukti yang dikembalikan.
Untuk input lebih panjang, kad mendokumenkan peluasan YaRN kepada 131,072 token. Tetingkap asal lebih kecil, dan penskalaan statik boleh mempengaruhi prestasi input pendek. Qwen mengesyorkan peluasan diaktifkan apabila konteks lebih panjang benar-benar diperlukan; kad turut menerangkan peruntukan lalai prom dan output 40,960 kedudukan. Pilih dokumen relevan dan kekalkan tajuk, sempadan sumber serta istilah. Sediakan ruang untuk penaakulan dan respons akhir, terutamanya apabila tugas memerlukan penyelarasan beberapa spesifikasi, bukannya merumuskan satu petikan.
Cadangan rasmi ialah temperature 0.6, top-p 0.95, top-k 20 dan min-p 0 untuk pemikiran; untuk tanpa pemikiran, temperature 0.7 dan top-p 0.8 menggantikan dua tetapan pertama. Qwen menasihatkan supaya mengelakkan penyahkodan tamak dalam mod pemikiran dan menyatakan bahawa presence penalty tinggi mungkin menyebabkan percampuran bahasa atau penurunan kualiti. Ia mengesyorkan peruntukan output 32,768 token untuk kebanyakan pertanyaan dan menerangkan 38,912 bagi masalah matematik serta pengaturcaraan yang amat mencabar. Peruntukan itu ialah panduan penjanaan, bukan had keras respons universal. Taklimat tepat dan format akhir yang ditentukan membantu memfokuskan penaakulan model yang tersedia kepada kerja yang diperlukan pembaca.
", "aboutText": "Qwen3-32B ialah model padat terbesar dalam keluaran Qwen3 asal. Model menggabungkan mod pemikiran keluarga untuk logik, matematik dan pengekodan kompleks dengan respons tanpa pemikiran untuk perbualan umum. Qwen turut menekankan penulisan kreatif, dialog berasaskan peranan, pematuhan arahan berbilang giliran dan penggunaan alat gaya ejen. Model memproses teks dan menjana teks; arahan berbilang bahasa serta terjemahan ialah sebahagian daripada sokongan keluarga asal untuk 119 bahasa dan dialek. Model boleh diberi taklimat untuk penerangan analitis, cadangan pengekodan atau karya penulisan yang ditentukan dengan teliti.\n\nEdisi tepat mempunyai 32.8 bilion parameter keseluruhan merentasi 64 lapisan. Ini ialah model padat, berbeza daripada seni bina penghalaan pakar Qwen3-30B-A3B dan edisi Qwen3 lebih baharu yang dinamakan secara berasingan. Konteks asalnya ialah 32,768 token. Sediakan tugas mencabar dengan bukti, keperluan dan hasil yang dijangka bersama. Untuk semakan kejuruteraan, berikan penerangan komponen, kekangan antara muka dan isu untuk diselesaikan, kemudian minta cadangan yang mengenal pasti andaian, kebergantungan dan alternatif dengan menggunakan bahan yang dibekalkan sahaja jika sesuai.\n\nTemplat sembang pengeluar mengaktifkan pemikiran secara lalai dan mendedahkan suis keras enable_thinking. Pelumpuhan keras menghalang kandungan pemikiran sepenuhnya. Dengan pemikiran aktif, /think dan /no_think dalam arahan pengguna atau sistem memberikan kawalan lembut setiap giliran, dan arahan terkini menentukan tingkah laku yang diminta. Permintaan lembut tanpa pemikiran boleh meninggalkan blok pemikiran kosong; penanda /think tidak boleh mengatasi templat yang dilumpuhkan secara keras. Ini membolehkan model asal berselang antara permintaan draf langsung dan soalan yang mendapat manfaat daripada rantaian penaakulan panjang apabila kawalan yang ditetapkan digunakan.\n\nContoh penjanaan menghuraikan bahagianContoh teknikal dalam bahasa Inggeris
Review a cache invalidation design\n\nA report cache is keyed only by report name. Reports also depend on account ID and selected month. Two users requesting the same name can receive the wrong account or month. Propose a revised key contract, explain the dependencies it captures and give three text test cases. Use only the described inputs; propose no repository edits.A key contract, dependency explanation and cases distinguishing account and month.Different accounts or months must not share a cache entry solely because the report name matches.qwen/qwen3-32bQwen3-32B ialah model teks hibrid padat Qwen untuk penaakulan kompleks, pengekodan, penulisan berbilang bahasa dan tugas berarah alat. Model menggabungkan mod pemikiran dan tanpa pemikiran dalam satu model serta mempunyai konteks asal 32,768 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen3-32B ialah model padat terbesar dalam keluaran Qwen3 asal. Model menggabungkan mod pemikiran keluarga untuk logik, matematik dan pengekodan kompleks dengan respons tanpa pemikiran untuk perbualan umum. Qwen turut menekankan penulisan kreatif, dialog berasaskan peranan, pematuhan arahan berbilang giliran dan penggunaan alat gaya ejen. Model memproses teks dan menjana teks; arahan berbilang bahasa serta terjemahan ialah sebahagian daripada sokongan keluarga asal untuk 119 bahasa dan dialek. Model boleh diberi taklimat untuk penerangan analitis, cadangan pengekodan atau karya penulisan yang ditentukan dengan teliti.
Edisi tepat mempunyai 32.8 bilion parameter keseluruhan merentasi 64 lapisan. Ini ialah model padat, berbeza daripada seni bina penghalaan pakar Qwen3-30B-A3B dan edisi Qwen3 lebih baharu yang dinamakan secara berasingan. Konteks asalnya ialah 32,768 token. Sediakan tugas mencabar dengan bukti, keperluan dan hasil yang dijangka bersama. Untuk semakan kejuruteraan, berikan penerangan komponen, kekangan antara muka dan isu untuk diselesaikan, kemudian minta cadangan yang mengenal pasti andaian, kebergantungan dan alternatif dengan menggunakan bahan yang dibekalkan sahaja jika sesuai.
Templat sembang pengeluar mengaktifkan pemikiran secara lalai dan mendedahkan suis keras enable_thinking. Pelumpuhan keras menghalang kandungan pemikiran sepenuhnya. Dengan pemikiran aktif, /think dan /no_think dalam arahan pengguna atau sistem memberikan kawalan lembut setiap giliran, dan arahan terkini menentukan tingkah laku yang diminta. Permintaan lembut tanpa pemikiran boleh meninggalkan blok pemikiran kosong; penanda /think tidak boleh mengatasi templat yang dilumpuhkan secara keras. Ini membolehkan model asal berselang antara permintaan draf langsung dan soalan yang mendapat manfaat daripada rantaian penaakulan panjang apabila kawalan yang ditetapkan digunakan.
Contoh penjanaan menghuraikan bahagian <think> secara berasingan daripada jawapan akhir. Qwen mengesyorkan penetapan format akhir jelas, seperti jawapan matematik dalam kotak atau satu medan jawapan bagi tugas pelbagai pilihan. Dalam analisis praktikal, nyatakan kesimpulan diminta dan bahan sokongan: contohnya, pilihan reka bentuk akhir diikuti kekangan yang dipenuhi serta isu yang masih terbuka. Kekalkan jawapan akhir, bukan kandungan pemikiran sebelumnya, dalam sejarah perbualan berikutnya menurut panduan pengeluar. Ini mengekalkan hasil yang diperlukan soalan kemudian tanpa membawa setiap langkah penaakulan ke hadapan.
Panggilan alat ialah sebahagian daripada profil model yang didokumenkan dalam kedua-dua mod. Qwen mengesyorkan Qwen-Agent untuk templat dan penghurai panggilan alat, serta menunjukkan perolehan maklumat, maklumat masa dan pentafsir kod. Tentukan alat dengan jelas, berikan makna argumen dan nyatakan perkara yang dianggap tugas selesai. Aliran berguna boleh meminta maklumat terpilih diperoleh, memberikan kandungan yang benar-benar dikembalikan dan kemudian meminta sintesis atau cadangan pelaksanaan. Panggilan yang diminta model dan pelaksanaan alat oleh aplikasi ialah peringkat berasingan; jawapan akhir perlu dibina atas bukti yang dikembalikan.
Untuk input lebih panjang, kad mendokumenkan peluasan YaRN kepada 131,072 token. Tetingkap asal lebih kecil, dan penskalaan statik boleh mempengaruhi prestasi input pendek. Qwen mengesyorkan peluasan diaktifkan apabila konteks lebih panjang benar-benar diperlukan; kad turut menerangkan peruntukan lalai prom dan output 40,960 kedudukan. Pilih dokumen relevan dan kekalkan tajuk, sempadan sumber serta istilah. Sediakan ruang untuk penaakulan dan respons akhir, terutamanya apabila tugas memerlukan penyelarasan beberapa spesifikasi, bukannya merumuskan satu petikan.
Cadangan rasmi ialah temperature 0.6, top-p 0.95, top-k 20 dan min-p 0 untuk pemikiran; untuk tanpa pemikiran, temperature 0.7 dan top-p 0.8 menggantikan dua tetapan pertama. Qwen menasihatkan supaya mengelakkan penyahkodan tamak dalam mod pemikiran dan menyatakan bahawa presence penalty tinggi mungkin menyebabkan percampuran bahasa atau penurunan kualiti. Ia mengesyorkan peruntukan output 32,768 token untuk kebanyakan pertanyaan dan menerangkan 38,912 bagi masalah matematik serta pengaturcaraan yang amat mencabar. Peruntukan itu ialah panduan penjanaan, bukan had keras respons universal. Taklimat tepat dan format akhir yang ditentukan membantu memfokuskan penaakulan model yang tersedia kepada kerja yang diperlukan pembaca.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3-32b | 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 $0.000286 / 1K token Output · Token output $0.001144 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 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 $0.000286 / 1K token Output · Token output $0.001144 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-32b", "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/qwen3-32b',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/qwen3-32b',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/qwen3-32b
Gunakan laluan kaedah yang dipaparkan di atas.
qwen/qwen3-32bQwen3-32B ialah model teks hibrid padat Qwen untuk penaakulan kompleks, pengekodan, penulisan berbilang bahasa dan tugas berarah alat. Model menggabungkan mod pemikiran dan tanpa pemikiran dalam satu model serta mempunyai konteks asal 32,768 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen3-32B ialah model padat terbesar dalam keluaran Qwen3 asal. Model menggabungkan mod pemikiran keluarga untuk logik, matematik dan pengekodan kompleks dengan respons tanpa pemikiran untuk perbualan umum. Qwen turut menekankan penulisan kreatif, dialog berasaskan peranan, pematuhan arahan berbilang giliran dan penggunaan alat gaya ejen. Model memproses teks dan menjana teks; arahan berbilang bahasa serta terjemahan ialah sebahagian daripada sokongan keluarga asal untuk 119 bahasa dan dialek. Model boleh diberi taklimat untuk penerangan analitis, cadangan pengekodan atau karya penulisan yang ditentukan dengan teliti.
Edisi tepat mempunyai 32.8 bilion parameter keseluruhan merentasi 64 lapisan. Ini ialah model padat, berbeza daripada seni bina penghalaan pakar Qwen3-30B-A3B dan edisi Qwen3 lebih baharu yang dinamakan secara berasingan. Konteks asalnya ialah 32,768 token. Sediakan tugas mencabar dengan bukti, keperluan dan hasil yang dijangka bersama. Untuk semakan kejuruteraan, berikan penerangan komponen, kekangan antara muka dan isu untuk diselesaikan, kemudian minta cadangan yang mengenal pasti andaian, kebergantungan dan alternatif dengan menggunakan bahan yang dibekalkan sahaja jika sesuai.
Templat sembang pengeluar mengaktifkan pemikiran secara lalai dan mendedahkan suis keras enable_thinking. Pelumpuhan keras menghalang kandungan pemikiran sepenuhnya. Dengan pemikiran aktif, /think dan /no_think dalam arahan pengguna atau sistem memberikan kawalan lembut setiap giliran, dan arahan terkini menentukan tingkah laku yang diminta. Permintaan lembut tanpa pemikiran boleh meninggalkan blok pemikiran kosong; penanda /think tidak boleh mengatasi templat yang dilumpuhkan secara keras. Ini membolehkan model asal berselang antara permintaan draf langsung dan soalan yang mendapat manfaat daripada rantaian penaakulan panjang apabila kawalan yang ditetapkan digunakan.
Contoh penjanaan menghuraikan bahagian <think> secara berasingan daripada jawapan akhir. Qwen mengesyorkan penetapan format akhir jelas, seperti jawapan matematik dalam kotak atau satu medan jawapan bagi tugas pelbagai pilihan. Dalam analisis praktikal, nyatakan kesimpulan diminta dan bahan sokongan: contohnya, pilihan reka bentuk akhir diikuti kekangan yang dipenuhi serta isu yang masih terbuka. Kekalkan jawapan akhir, bukan kandungan pemikiran sebelumnya, dalam sejarah perbualan berikutnya menurut panduan pengeluar. Ini mengekalkan hasil yang diperlukan soalan kemudian tanpa membawa setiap langkah penaakulan ke hadapan.
Panggilan alat ialah sebahagian daripada profil model yang didokumenkan dalam kedua-dua mod. Qwen mengesyorkan Qwen-Agent untuk templat dan penghurai panggilan alat, serta menunjukkan perolehan maklumat, maklumat masa dan pentafsir kod. Tentukan alat dengan jelas, berikan makna argumen dan nyatakan perkara yang dianggap tugas selesai. Aliran berguna boleh meminta maklumat terpilih diperoleh, memberikan kandungan yang benar-benar dikembalikan dan kemudian meminta sintesis atau cadangan pelaksanaan. Panggilan yang diminta model dan pelaksanaan alat oleh aplikasi ialah peringkat berasingan; jawapan akhir perlu dibina atas bukti yang dikembalikan.
Untuk input lebih panjang, kad mendokumenkan peluasan YaRN kepada 131,072 token. Tetingkap asal lebih kecil, dan penskalaan statik boleh mempengaruhi prestasi input pendek. Qwen mengesyorkan peluasan diaktifkan apabila konteks lebih panjang benar-benar diperlukan; kad turut menerangkan peruntukan lalai prom dan output 40,960 kedudukan. Pilih dokumen relevan dan kekalkan tajuk, sempadan sumber serta istilah. Sediakan ruang untuk penaakulan dan respons akhir, terutamanya apabila tugas memerlukan penyelarasan beberapa spesifikasi, bukannya merumuskan satu petikan.
Cadangan rasmi ialah temperature 0.6, top-p 0.95, top-k 20 dan min-p 0 untuk pemikiran; untuk tanpa pemikiran, temperature 0.7 dan top-p 0.8 menggantikan dua tetapan pertama. Qwen menasihatkan supaya mengelakkan penyahkodan tamak dalam mod pemikiran dan menyatakan bahawa presence penalty tinggi mungkin menyebabkan percampuran bahasa atau penurunan kualiti. Ia mengesyorkan peruntukan output 32,768 token untuk kebanyakan pertanyaan dan menerangkan 38,912 bagi masalah matematik serta pengaturcaraan yang amat mencabar. Peruntukan itu ialah panduan penjanaan, bukan had keras respons universal. Taklimat tepat dan format akhir yang ditentukan membantu memfokuskan penaakulan model yang tersedia kepada kerja yang diperlukan pembaca.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3-32b | 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 $0.000286 / 1K token Output · Token output $0.001144 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 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 $0.000286 / 1K token Output · Token output $0.001144 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen/qwen3-32b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3-32b', '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/qwen3-32b', '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/qwen3-32b
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Review a cache invalidation design\n\nA report cache is keyed only by report name. Reports also depend on account ID and selected month. Two users requesting the same name can receive the wrong account or month. Propose a revised key contract, explain the dependencies it captures and give three text test cases. Use only the described inputs; propose no repository edits.A key contract, dependency explanation and cases distinguishing account and month.Different accounts or months must not share a cache entry solely because the report name matches.