Sorotan Qwen3.8: penaakulan teks berterusan
Qwen3.8-2.4T-A95B ialah checkpoint Qwen3.8 terbuka untuk penaakulan teks. Qwen menerangkan penambahbaikan merentas pengekodan, kerja profesional, penyelidikan dan tugas ejen jangka panjang, termasuk perancangan serta penggunaan maklum balas persekitaran. Ia menerima teks dan mengembalikan teks. Pembuat mengasingkannya secara eksplisit daripada tawaran terurus Qwen3.8-Max: input penglihatan dan sokongan tanpa berfikir ialah ciri tambahan tawaran itu, bukannya keupayaan checkpoint terbuka tepat ini.
Untuk tugas pengekodan, berikan modul berkaitan, keperluan dan input yang mendedahkan tingkah laku semasa. Minta perubahan berpenjelasan dan artifak akhir yang boleh diperiksa. Untuk laporan penyelidikan atau profesional, berikan bukti, bahagian yang diperlukan dan kriteria penilaian, kemudian minta model membezakan dapatan yang disokong daripada andaian. Ini ialah aplikasi praktikal skop tugas yang didokumenkan, bukannya janji kod telah dilaksanakan atau kesimpulan yang diperakui pakar.
Gambaran keseluruhan model
Model campuran pakar dengan pengaktifan terpilih ini mempunyai 2.4 trilion parameter keseluruhan dan mengaktifkan 95 bilion. Ia mempunyai 92 lapisan dan 512 pakar dalam sistem penghalaan, dengan sepuluh pakar dipilih melalui penghalaan bersama satu pakar yang dikongsi. Blok hibridnya menggabungkan Gated DeltaNet dan perhatian dengan mekanisme gerbang dengan lapisan pakar, mengikut corak tiga kepada satu. Ramalan berbilang token ialah sebahagian daripada latihannya. Bilangan parameter yang diaktifkan bukan saiz checkpoint penuh, dan jumlah besar tidak menetapkan jaminan masa respons.
Konteks natif ialah 262,144 token, dengan peluasan sehingga 1,010,000 yang didokumenkan. Ini berbeza daripada konteks lalai satu juta token rujukan Max terurus. Gunakan peruntukan urutan sebenar yang dikonfigurasi untuk teks sumber, sejarah perbualan, penaakulan dan respons akhir, bukannya menganggap semua angka terbesar terpakai serentak.
Menggunakan checkpoint berfikir yang tepat
Pemikiran diperlukan bagi setiap interaksi dan tidak boleh dinyahdayakan. Output yang didokumenkan bermula dengan blok penaakulan sebelum teks akhir. reasoning_effort menyokong xhigh, medium dan low; xhigh ialah lalai. Low mengurangkan kedalaman yang dimaksudkan tetapi kekal sebagai mod berfikir. Permintaan jawapan akhir ringkas boleh mengawal hasil yang dikehendaki tanpa menukar model ini menjadi edisi tanpa berfikir.
preserve_thinking didayakan secara lalai. Pengekalan penaakulan daripada giliran terdahulu membantu tugas yang diperhalus secara berperingkat membawa konteks keputusannya ke hadapan. Pastikan pembetulan, hasil alat dan jawapan akhir dikaitkan dengan giliran yang menghasilkannya. Model ini perlu mengikuti kontrak sejarahnya sendiri, bukannya mewarisi nasihat lama untuk membuang setiap blok penaakulan daripada mesej terdahulu. Ketersediaan tepat kawalan usaha dan pengekalan bergantung pada antara muka yang melaksanakan resipi checkpoint.
Persekitaran sokongan dan maklum balas persekitaran
Qwen menerangkan keserasian dengan persekitaran sokongan pembangunan dan alat. Tugas berterusan boleh dinyatakan sebagai matlamat, tindakan yang dibenarkan dan bukti penyiapan; aplikasi kemudian boleh menyediakan pemerhatian daripada pemeriksaan atau pelaksanaan. Minta model menerangkan cara setiap hasil baharu mengubah rancangan dan melaporkan perkara yang masih belum selesai. Merancang tindakan dan menerima hasil sebenar ialah bahagian berbeza dalam aliran kerja itu.
Contoh Max terurus pada kad merangkumi alat terbina dalam tambahan. Ia tidak patut ditukar menjadi carian web automatik, pelaksanaan kod atau input visual bagi model terbuka ini. Peranan bergunanya ialah komponen penaakulan teks dalam aliran kerja yang disambungkan; alat dan kesan luaran tergolong dalam aplikasi yang menyediakannya.
Cadangan penjanaan
Pembuat mengesyorkan temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalti kehadiran 0 dan penalti pengulangan 1.0. Jika disokong, penalti kehadiran antara sifar dengan dua boleh mengurangkan teks berulang, tetapi nilai lebih tinggi mungkin mencampurkan bahasa atau sedikit menurunkan kualiti. Sokongan parameter berbeza mengikut pelaksanaan.
Untuk aliran kerja satu juta token yang dikonfigurasi dengan had penaakulan dan respons akhir berasingan, Qwen mengesyorkan 262,144 token untuk penaakulan serta 131,072 untuk jawapan akhir. Itu ialah peruntukan bersyarat, bukannya had mutlak yang ditetapkan secara berasingan atau bajet yang muat bersama dalam konteks natif 262,144 token. Peruntukkan ruang mencukupi untuk artifak lengkap dan minta hasil akhir yang mudah ditemui selepas penaakulan.
Had praktikal
Checkpoint ini tidak menerima imej, audio atau video. Tukar bukti berkaitan kepada perwakilan teks yang sesuai melalui aliran kerja berasingan jika perlu, sambil mengekalkan pengecam yang membolehkan jawapan diperiksa. Kad menyatakan konteks diperluas tetapi tidak memberikan resipi peluasan lengkap bagi setiap tugas atau had media sejagat bagi model teks sahaja ini. Kekalkan identiti checkpoint dan konfigurasi tepat, periksa pengiraan serta cadangan kod berdasarkan sumber, dan anggap artifak akhir sebagai hasil yang perlu disemak, bukannya bukti bahawa keseluruhan tugas luaran telah selesai.
", "aboutText": "Sorotan Qwen3.8: penaakulan teks berterusan\n\nQwen3.8-2.4T-A95B ialah checkpoint Qwen3.8 terbuka untuk penaakulan teks. Qwen menerangkan penambahbaikan merentas pengekodan, kerja profesional, penyelidikan dan tugas ejen jangka panjang, termasuk perancangan serta penggunaan maklum balas persekitaran. Ia menerima teks dan mengembalikan teks. Pembuat mengasingkannya secara eksplisit daripada tawaran terurus Qwen3.8-Max: input penglihatan dan sokongan tanpa berfikir ialah ciri tambahan tawaran itu, bukannya keupayaan checkpoint terbuka tepat ini.\n\nUntuk tugas pengekodan, berikan modul berkaitan, keperluan dan input yang mendedahkan tingkah laku semasa. Minta perubahan berpenjelasan dan artifak akhir yang boleh diperiksa. Untuk laporan penyelidikan atau profesional, berikan bukti, bahagian yang diperlukan dan kriteria penilaian, kemudian minta model membezakan dapatan yang disokong daripada andaian. Ini ialah aplikasi praktikal skop tugas yang didokumenkan, bukannya janji kod telah dilaksanakan atau kesimpulan yang diperakui pakar.\n\nGambaran keseluruhan model\n\nModel campuran pakar dengan pengaktifan terpilih ini mempunyai 2.4 trilion parameter keseluruhan dan mengaktifkan 95 bilion. Ia mempunyai 92 lapisan dan 512 pakar dalam sistem penghalaan, dengan sepuluh pakar dipilih melalui penghalaan bersama satu pakar yang dikongsi. Blok hibridnya menggabungkan Gated DeltaNet dan perhatian dengan mekanisme gerbang dengan lapisan pakar, mengikut corak tiga kepada satu. Ramalan berbilang token ialah sebahagian daripada latihannya. Bilangan parameter yang diaktifkan bukan saiz checkpoint penuh, dan jumlah besar tidak menetapkan jaminan masa respons.\n\nKonteks natif ialah 262,144 token, dengan peluasan sehingga 1,010,000 yang didokumenkan. Ini berbeza daripada konteks lalai satu juta token rujukan Max terurus. Gunakan peruntukan urutan sebenar yang dikonfigurasi untuk teks sumber, sejarah perbualan, penaakulan dan respons akhir, bukannya menganggap semua angka terbesar terpakai serentak.\n\nMenggunakan checkpoint berfikir yang tepat\n\nPemikiran diperlukan bagi setiap interaksi dan tidak boleh dinyahdayakan. Output yang didokumenkan bermula dengan blok penaakulan sebelum teks akhir. reasoning_effort menyokong xhigh, medium dan low; xhigh ialah lalai. Low mengurangkan kedalaman yang dimaksudkan tetapi kekal sebagai mod berfikir. Permintaan jawapan akhir ringkas boleh mengawal hasil yang dikehendaki tanpa menukar model ini menjadi edisi tanpa berfikir.\n\npreserve_thinking didayakan secara lalai. Pengekalan penaakulan daripada giliran terdahulu membantu tugas yang diperhalus secara berperingkat membawa konteks keputusannya ke hadapan. Pastikan pembetulan, hasil alat dan jawapan akhir dikaitkan dengan giliran yang menghasilkannya. Model ini perlu mengikuti kontrak sejarahnya sendiri, bukannya mewarisi nasihat lama untuk membuang setiap blok penaakulan daripada mesej terdahulu. Ketersediaan tepat kawalan usaha dan pengekalan bergantung pada antara muka yang melaksanakan resipi checkpoint.\n\nPersekitaran sokongan dan maklum balas persekitaran\n\nQwen menerangkan keserasian dengan persekitaran sokongan pembangunan dan alat. Tugas berterusan boleh dinyatakan sebagai matlamat, tindakan yang dibenarkan dan bukti penyiapan; aplikasi kemudian boleh menyediakan pemerhatian daripada pemeriksaan atau pelaksanaan. Minta model menerangkan cara setiap hasil baharu mengubah rancangan dan melaporkan perkara yang masih belum selesai. Merancang tindakan dan menerima hasil sebenar ialah bahagian berbeza dalam aliran kerja itu.\n\nContoh Max terurus pada kad merangkumi alat terbina dalam tambahan. Ia tidak patut ditukar menjadi carian web automatik, pelaksanaan kod atau input visual bagi model terbuka ini. Peranan bergunanya ialah komponen penaakulan teks dalam aliran kerja yang disambungkan; alat dan kesan luaran tergolong dalam aplikasi yang menyediakannya.\n\nCadangan penjanaan\n\nPembuat mengesyorkan temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalti kehadiran 0 dan penalti pengulangan 1.0. Jika disokong, penalti kehadiran antara sifar dengan dua boleh mengurangkan teks berulang, tetapi nilai lebih tinggi mungkin mencampurkan bahasa atau sedikit menurunkan kualiti. Sokongan parameter berbeza mengikut pelaksanaan.\n\nUntuk aliran kerja satu juta token yang dikonfigurasi dengan had penaakulan dan respons akhir berasingan, Qwen mengesyorkan 262,144 token untuk penaakulan serta 131,072 untuk jawapan akhir. Itu ialah peruntukan bersyarat, bukannya had mutlak yang ditetapkan secara berasingan atau bajet yang muat bersama dalam konteks natif 262,144 token. Peruntukkan ruang mencukupi untuk artifak lengkap dan minta hasil akhir yang mudah ditemui selepas penaakulan.\n\nHad praktikal\n\nCheckpoint ini tidak menerima imej, audio atau video. Tukar bukti berkaitan kepada perwakilan teks yang sesuai melalui aliran kerja berasingan jika perlu, sambil mengekalkan pengecam yang membolehkan jawapan diperiksa. Kad menyatakan konteks diperluas tetapi tidak memberikan resipi peluasan lengkap bagi setiap tugas atau had media sejagat bagi model teks sahaja ini. Kekalkan identiti checkpoint dan konfigurasi tepat, periksa pengiraan serta cadangan kod berdasarkan sumber, dan anggap artifak akhir sebagai hasil yang perlu disemak, bukannya bukti bahawa keseluruhan tugas luaran telah selesai.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Review a resumable migration plan\n\nReview this migration design against the requirement that every row is copied exactly once. Step 1 copies 100 rows after last_id. Step 2 saves last_id. A crash can occur between steps. Explain the duplicate risk after restart and propose a minimal idempotent write or atomic checkpoint design. Include a test that interrupts precisely between the two steps.A cause analysis, one concrete correction strategy and a crash-point regression scenario.Rerunning after the interruption cannot produce duplicate destination rows or skip uncopied source rows.qwen/qwen3.8-2.4t-a95bQwen3.8-2.4T-A95B ialah model penaakulan teks campuran pakar Qwen dengan pengaktifan terpilih, dengan 2.4 trilion parameter keseluruhan dan 95 bilion diaktifkan. Checkpoint terbuka ini sentiasa menggunakan mod berfikir, menyokong usaha penaakulan yang boleh dilaraskan dan mengekalkan konteks penaakulan untuk tugas pengekodan serta tugas profesional yang berterusan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Sorotan Qwen3.8: penaakulan teks berterusan
Qwen3.8-2.4T-A95B ialah checkpoint Qwen3.8 terbuka untuk penaakulan teks. Qwen menerangkan penambahbaikan merentas pengekodan, kerja profesional, penyelidikan dan tugas ejen jangka panjang, termasuk perancangan serta penggunaan maklum balas persekitaran. Ia menerima teks dan mengembalikan teks. Pembuat mengasingkannya secara eksplisit daripada tawaran terurus Qwen3.8-Max: input penglihatan dan sokongan tanpa berfikir ialah ciri tambahan tawaran itu, bukannya keupayaan checkpoint terbuka tepat ini.
Untuk tugas pengekodan, berikan modul berkaitan, keperluan dan input yang mendedahkan tingkah laku semasa. Minta perubahan berpenjelasan dan artifak akhir yang boleh diperiksa. Untuk laporan penyelidikan atau profesional, berikan bukti, bahagian yang diperlukan dan kriteria penilaian, kemudian minta model membezakan dapatan yang disokong daripada andaian. Ini ialah aplikasi praktikal skop tugas yang didokumenkan, bukannya janji kod telah dilaksanakan atau kesimpulan yang diperakui pakar.
Gambaran keseluruhan model
Model campuran pakar dengan pengaktifan terpilih ini mempunyai 2.4 trilion parameter keseluruhan dan mengaktifkan 95 bilion. Ia mempunyai 92 lapisan dan 512 pakar dalam sistem penghalaan, dengan sepuluh pakar dipilih melalui penghalaan bersama satu pakar yang dikongsi. Blok hibridnya menggabungkan Gated DeltaNet dan perhatian dengan mekanisme gerbang dengan lapisan pakar, mengikut corak tiga kepada satu. Ramalan berbilang token ialah sebahagian daripada latihannya. Bilangan parameter yang diaktifkan bukan saiz checkpoint penuh, dan jumlah besar tidak menetapkan jaminan masa respons.
Konteks natif ialah 262,144 token, dengan peluasan sehingga 1,010,000 yang didokumenkan. Ini berbeza daripada konteks lalai satu juta token rujukan Max terurus. Gunakan peruntukan urutan sebenar yang dikonfigurasi untuk teks sumber, sejarah perbualan, penaakulan dan respons akhir, bukannya menganggap semua angka terbesar terpakai serentak.
Menggunakan checkpoint berfikir yang tepat
Pemikiran diperlukan bagi setiap interaksi dan tidak boleh dinyahdayakan. Output yang didokumenkan bermula dengan blok penaakulan sebelum teks akhir. reasoning_effort menyokong xhigh, medium dan low; xhigh ialah lalai. Low mengurangkan kedalaman yang dimaksudkan tetapi kekal sebagai mod berfikir. Permintaan jawapan akhir ringkas boleh mengawal hasil yang dikehendaki tanpa menukar model ini menjadi edisi tanpa berfikir.
preserve_thinking didayakan secara lalai. Pengekalan penaakulan daripada giliran terdahulu membantu tugas yang diperhalus secara berperingkat membawa konteks keputusannya ke hadapan. Pastikan pembetulan, hasil alat dan jawapan akhir dikaitkan dengan giliran yang menghasilkannya. Model ini perlu mengikuti kontrak sejarahnya sendiri, bukannya mewarisi nasihat lama untuk membuang setiap blok penaakulan daripada mesej terdahulu. Ketersediaan tepat kawalan usaha dan pengekalan bergantung pada antara muka yang melaksanakan resipi checkpoint.
Persekitaran sokongan dan maklum balas persekitaran
Qwen menerangkan keserasian dengan persekitaran sokongan pembangunan dan alat. Tugas berterusan boleh dinyatakan sebagai matlamat, tindakan yang dibenarkan dan bukti penyiapan; aplikasi kemudian boleh menyediakan pemerhatian daripada pemeriksaan atau pelaksanaan. Minta model menerangkan cara setiap hasil baharu mengubah rancangan dan melaporkan perkara yang masih belum selesai. Merancang tindakan dan menerima hasil sebenar ialah bahagian berbeza dalam aliran kerja itu.
Contoh Max terurus pada kad merangkumi alat terbina dalam tambahan. Ia tidak patut ditukar menjadi carian web automatik, pelaksanaan kod atau input visual bagi model terbuka ini. Peranan bergunanya ialah komponen penaakulan teks dalam aliran kerja yang disambungkan; alat dan kesan luaran tergolong dalam aplikasi yang menyediakannya.
Cadangan penjanaan
Pembuat mengesyorkan temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalti kehadiran 0 dan penalti pengulangan 1.0. Jika disokong, penalti kehadiran antara sifar dengan dua boleh mengurangkan teks berulang, tetapi nilai lebih tinggi mungkin mencampurkan bahasa atau sedikit menurunkan kualiti. Sokongan parameter berbeza mengikut pelaksanaan.
Untuk aliran kerja satu juta token yang dikonfigurasi dengan had penaakulan dan respons akhir berasingan, Qwen mengesyorkan 262,144 token untuk penaakulan serta 131,072 untuk jawapan akhir. Itu ialah peruntukan bersyarat, bukannya had mutlak yang ditetapkan secara berasingan atau bajet yang muat bersama dalam konteks natif 262,144 token. Peruntukkan ruang mencukupi untuk artifak lengkap dan minta hasil akhir yang mudah ditemui selepas penaakulan.
Had praktikal
Checkpoint ini tidak menerima imej, audio atau video. Tukar bukti berkaitan kepada perwakilan teks yang sesuai melalui aliran kerja berasingan jika perlu, sambil mengekalkan pengecam yang membolehkan jawapan diperiksa. Kad menyatakan konteks diperluas tetapi tidak memberikan resipi peluasan lengkap bagi setiap tugas atau had media sejagat bagi model teks sahaja ini. Kekalkan identiti checkpoint dan konfigurasi tepat, periksa pengiraan serta cadangan kod berdasarkan sumber, dan anggap artifak akhir sebagai hasil yang perlu disemak, bukannya bukti bahawa keseluruhan tugas luaran telah selesai.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3.8-2.4t-a95b | 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 $0.004 / 1K token Output · Token output $0.012 / 1K token Input · Bacaan cache $0.0005 / 1K token Input · Penulisan cache $0.005 / 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 $0.004 / 1K token Output · Token output $0.012 / 1K token Input · Bacaan cache $0.0005 / 1K token Input · Penulisan cache $0.005 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3.8-2.4t-a95b", "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/qwen3.8-2.4t-a95b',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/qwen3.8-2.4t-a95b',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/qwen3.8-2.4t-a95b
Gunakan laluan kaedah yang dipaparkan di atas.
qwen/qwen3.8-2.4t-a95bQwen3.8-2.4T-A95B ialah model penaakulan teks campuran pakar Qwen dengan pengaktifan terpilih, dengan 2.4 trilion parameter keseluruhan dan 95 bilion diaktifkan. Checkpoint terbuka ini sentiasa menggunakan mod berfikir, menyokong usaha penaakulan yang boleh dilaraskan dan mengekalkan konteks penaakulan untuk tugas pengekodan serta tugas profesional yang berterusan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Sorotan Qwen3.8: penaakulan teks berterusan
Qwen3.8-2.4T-A95B ialah checkpoint Qwen3.8 terbuka untuk penaakulan teks. Qwen menerangkan penambahbaikan merentas pengekodan, kerja profesional, penyelidikan dan tugas ejen jangka panjang, termasuk perancangan serta penggunaan maklum balas persekitaran. Ia menerima teks dan mengembalikan teks. Pembuat mengasingkannya secara eksplisit daripada tawaran terurus Qwen3.8-Max: input penglihatan dan sokongan tanpa berfikir ialah ciri tambahan tawaran itu, bukannya keupayaan checkpoint terbuka tepat ini.
Untuk tugas pengekodan, berikan modul berkaitan, keperluan dan input yang mendedahkan tingkah laku semasa. Minta perubahan berpenjelasan dan artifak akhir yang boleh diperiksa. Untuk laporan penyelidikan atau profesional, berikan bukti, bahagian yang diperlukan dan kriteria penilaian, kemudian minta model membezakan dapatan yang disokong daripada andaian. Ini ialah aplikasi praktikal skop tugas yang didokumenkan, bukannya janji kod telah dilaksanakan atau kesimpulan yang diperakui pakar.
Gambaran keseluruhan model
Model campuran pakar dengan pengaktifan terpilih ini mempunyai 2.4 trilion parameter keseluruhan dan mengaktifkan 95 bilion. Ia mempunyai 92 lapisan dan 512 pakar dalam sistem penghalaan, dengan sepuluh pakar dipilih melalui penghalaan bersama satu pakar yang dikongsi. Blok hibridnya menggabungkan Gated DeltaNet dan perhatian dengan mekanisme gerbang dengan lapisan pakar, mengikut corak tiga kepada satu. Ramalan berbilang token ialah sebahagian daripada latihannya. Bilangan parameter yang diaktifkan bukan saiz checkpoint penuh, dan jumlah besar tidak menetapkan jaminan masa respons.
Konteks natif ialah 262,144 token, dengan peluasan sehingga 1,010,000 yang didokumenkan. Ini berbeza daripada konteks lalai satu juta token rujukan Max terurus. Gunakan peruntukan urutan sebenar yang dikonfigurasi untuk teks sumber, sejarah perbualan, penaakulan dan respons akhir, bukannya menganggap semua angka terbesar terpakai serentak.
Menggunakan checkpoint berfikir yang tepat
Pemikiran diperlukan bagi setiap interaksi dan tidak boleh dinyahdayakan. Output yang didokumenkan bermula dengan blok penaakulan sebelum teks akhir. reasoning_effort menyokong xhigh, medium dan low; xhigh ialah lalai. Low mengurangkan kedalaman yang dimaksudkan tetapi kekal sebagai mod berfikir. Permintaan jawapan akhir ringkas boleh mengawal hasil yang dikehendaki tanpa menukar model ini menjadi edisi tanpa berfikir.
preserve_thinking didayakan secara lalai. Pengekalan penaakulan daripada giliran terdahulu membantu tugas yang diperhalus secara berperingkat membawa konteks keputusannya ke hadapan. Pastikan pembetulan, hasil alat dan jawapan akhir dikaitkan dengan giliran yang menghasilkannya. Model ini perlu mengikuti kontrak sejarahnya sendiri, bukannya mewarisi nasihat lama untuk membuang setiap blok penaakulan daripada mesej terdahulu. Ketersediaan tepat kawalan usaha dan pengekalan bergantung pada antara muka yang melaksanakan resipi checkpoint.
Persekitaran sokongan dan maklum balas persekitaran
Qwen menerangkan keserasian dengan persekitaran sokongan pembangunan dan alat. Tugas berterusan boleh dinyatakan sebagai matlamat, tindakan yang dibenarkan dan bukti penyiapan; aplikasi kemudian boleh menyediakan pemerhatian daripada pemeriksaan atau pelaksanaan. Minta model menerangkan cara setiap hasil baharu mengubah rancangan dan melaporkan perkara yang masih belum selesai. Merancang tindakan dan menerima hasil sebenar ialah bahagian berbeza dalam aliran kerja itu.
Contoh Max terurus pada kad merangkumi alat terbina dalam tambahan. Ia tidak patut ditukar menjadi carian web automatik, pelaksanaan kod atau input visual bagi model terbuka ini. Peranan bergunanya ialah komponen penaakulan teks dalam aliran kerja yang disambungkan; alat dan kesan luaran tergolong dalam aplikasi yang menyediakannya.
Cadangan penjanaan
Pembuat mengesyorkan temperature 1.0, top_p 0.95, top_k 20, min_p 0, penalti kehadiran 0 dan penalti pengulangan 1.0. Jika disokong, penalti kehadiran antara sifar dengan dua boleh mengurangkan teks berulang, tetapi nilai lebih tinggi mungkin mencampurkan bahasa atau sedikit menurunkan kualiti. Sokongan parameter berbeza mengikut pelaksanaan.
Untuk aliran kerja satu juta token yang dikonfigurasi dengan had penaakulan dan respons akhir berasingan, Qwen mengesyorkan 262,144 token untuk penaakulan serta 131,072 untuk jawapan akhir. Itu ialah peruntukan bersyarat, bukannya had mutlak yang ditetapkan secara berasingan atau bajet yang muat bersama dalam konteks natif 262,144 token. Peruntukkan ruang mencukupi untuk artifak lengkap dan minta hasil akhir yang mudah ditemui selepas penaakulan.
Had praktikal
Checkpoint ini tidak menerima imej, audio atau video. Tukar bukti berkaitan kepada perwakilan teks yang sesuai melalui aliran kerja berasingan jika perlu, sambil mengekalkan pengecam yang membolehkan jawapan diperiksa. Kad menyatakan konteks diperluas tetapi tidak memberikan resipi peluasan lengkap bagi setiap tugas atau had media sejagat bagi model teks sahaja ini. Kekalkan identiti checkpoint dan konfigurasi tepat, periksa pengiraan serta cadangan kod berdasarkan sumber, dan anggap artifak akhir sebagai hasil yang perlu disemak, bukannya bukti bahawa keseluruhan tugas luaran telah selesai.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3.8-2.4t-a95b | 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 $0.004 / 1K token Output · Token output $0.012 / 1K token Input · Bacaan cache $0.0005 / 1K token Input · Penulisan cache $0.005 / 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 $0.004 / 1K token Output · Token output $0.012 / 1K token Input · Bacaan cache $0.0005 / 1K token Input · Penulisan cache $0.005 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "qwen/qwen3.8-2.4t-a95b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/qwen3.8-2.4t-a95b', '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/qwen3.8-2.4t-a95b', '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/qwen3.8-2.4t-a95b
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Review a resumable migration plan\n\nReview this migration design against the requirement that every row is copied exactly once. Step 1 copies 100 rows after last_id. Step 2 saves last_id. A crash can occur between steps. Explain the duplicate risk after restart and propose a minimal idempotent write or atomic checkpoint design. Include a test that interrupts precisely between the two steps.A cause analysis, one concrete correction strategy and a crash-point regression scenario.Rerunning after the interruption cannot produce duplicate destination rows or skip uncopied source rows.